Gemini (модель)

Gemini — это семейство мультимодальных больших языковых моделей (LLM), разработанное компанией Google DeepMind. Модели способны обрабатывать и генерировать информацию в различных форматах, включая текст, изображения, аудио, видео и программный код. Gemini позиционируется как прямой конкурент моделей семейства GPT от OpenAI и других ведущих LLM.

История

Разработка Gemini началась вскоре после объединения исследовательских подразделений Google Brain и DeepMind в апреле 2023 года. Проект возглавил Демис Хассабис. Первоначально модель разрабатывалась под кодовым названием «Gemini» (Близнецы), что отражало слияние двух команд.

6 декабря 2023 года Google официально анонсировала Gemini 1.0. В презентации утверждалось, что модель превосходит GPT-4 по большинству бенчмарков, особенно в мультимодальных задачах. Релиз был разделён на три версии: Ultra, Pro и Nano. Первыми доступ к Gemini получили пользователи Bard (позднее переименованного в Gemini) и Google Pixel 8 Pro.

В феврале 2024 года была запущена подписка Gemini Advanced, предоставляющая доступ к самой мощной версии — Gemini Ultra 1.0. В том же месяце Google изменила название своего чат-бота с Bard на Gemini, объединив бренды модели и сервиса.

В мае 2024 года на конференции Google I/O была представлена Gemini 1.5 Pro с контекстным окном до 1 миллиона токенов, а также Gemini 1.5 Flash — облегчённая версия для быстрых ответов. В августе 2024 года анонсировали Gemini 1.5 Pro с расширенным контекстным окном до 2 миллионов токенов в экспериментальном режиме.

В декабре 2024 года Google выпустила Gemini 2.0 Flash, первую модель нового поколения, ориентированную на агентные сценарии и многомодальность. В феврале 2025 года последовал релиз Gemini 2.0 Pro (экспериментальная версия) и Gemini 2.0 Flash-Lite — наиболее экономичной модели семейства.

Архитектура и технические характеристики

Gemini построена на архитектуре Transformer, однако точные детали (количество параметров, число слоёв, размер скрытого пространства) не раскрываются. Известно, что модель обучалась на специализированных ускорителях TPUv5e и TPUv5p.

Мультимодальность

Ключевое отличие Gemini от многих предшественников — нативная мультимодальность. Модель обучалась одновременно на тексте, изображениях, аудио, видео и коде, что позволяет ей понимать и комбинировать разные типы данных без промежуточного преобразования (например, распознавания речи в текст). Gemini способна анализировать видео в реальном времени, распознавать рукописный ввод, интерпретировать графики и диаграммы, а также генерировать изображения (через интеграцию с Imagen).

Контекстное окно

Размер контекстного окна (максимальный объём входных данных, который модель может обработать за один раз) варьируется в зависимости от версии:

• Gemini 1.0 Pro — до 32 000 токенов.
• Gemini 1.5 Pro — до 1 000 000 токенов (в экспериментальном режиме до 2 000 000).
• Gemini 1.5 Flash — до 1 000 000 токенов.
• Gemini 2.0 Flash — до 1 000 000 токенов.

Для сравнения, контекстное окно GPT-4 Turbo составляет 128 000 токенов, а Claude 3 — до 200 000 токенов.

Версии модели

Семейство Gemini включает несколько версий, различающихся по производительности, скорости и области применения:

Применение

Gemini интегрирована в широкий спектр продуктов и сервисов Google, а также доступна разработчикам через API.

В продуктах Google

• Gemini (чат-бот) — основной интерфейс взаимодействия с моделью. Доступен через веб-версию и мобильное приложение. Включает функции генерации текста, анализа изображений, создания изображений (через Imagen 3), поиска информации.
• Google Workspace — Gemini встроена в Gmail, Google Docs, Google Sheets, Google Slides и Google Meet для помощи в написании писем, создании документов, анализе данных и генерации презентаций.
• Google Cloud — через Vertex AI разработчики могут использовать Gemini для создания собственных приложений, чат-ботов, систем анализа данных.
• Android — Gemini Nano используется для функций «умного ответа» в клавиатуре Gboard, создания подписей к изображениям, обобщения уведомлений.
• Google Pixel — Gemini Nano обеспечивает работу функций записи звонков с транскрипцией, создания обложек для контактов, улучшения качества фото.

Для разработчиков

Gemini API позволяет интегрировать модель в сторонние приложения. Доступны следующие возможности:

• Генерация текста и кода.
• Анализ изображений, аудио и видео.
• Работа с большими объёмами данных (до 1 млн токенов).
• Создание агентных систем, способных выполнять многошаговые задачи.
• Настройка модели (fine-tuning) на собственных данных.

Критика и ограничения

Точность и галлюцинации

Как и другие большие языковые модели, Gemini подвержена «галлюцинациям» — генерации правдоподобных, но фактически неверных ответов. Особенно это проявляется при работе с малоизвестными фактами, историческими событиями и специализированными областями знаний.

Проблемы с генерацией изображений

В феврале 2024 года Google приостановила функцию генерации изображений в Gemini после того, как пользователи обнаружили исторически и расово некорректные результаты (например, изображения «чёрных нацистов» или «азиатских викингов»). Компания признала ошибку и заявила, что модель была «чрезмерно осторожной» в вопросах разнообразия. Функция была восстановлена в августе 2024 года с использованием обновлённой модели Imagen 3.

Конфиденциальность и обработка данных

Использование Gemini, особенно в облачных сервисах, вызывает вопросы о конфиденциальности пользовательских данных. Google заявляет, что данные, передаваемые через API для разработчиков, не используются для обучения модели, однако данные из бесплатной версии Gemini могут использоваться для улучшения сервиса.

Доступность и региональные ограничения

Gemini доступен не во всех странах мира. В России и ряде других стран официальный доступ к сервису ограничен. Google не предоставляет чёткого списка стран, где сервис недоступен, но пользователи из таких регионов не могут зарегистрироваться или использовать Gemini через веб-интерфейс.

Сравнение с конкурентами

По состоянию на начало 2025 года Gemini 2.0 Pro демонстрирует конкурентоспособные результаты на многих бенчмарках, особенно в задачах, требующих длинного контекста и многомодальности. Однако в задачах, связанных с генерацией кода и математическими рассуждениями, она часто уступает моделям OpenAI (GPT-4o) и Anthropic (Claude 3.5 Sonnet). В задачах на понимание естественного языка и креативность результаты варьируются.

Интересные факты

• Название «Gemini» (Близнецы) символизирует слияние двух исследовательских команд — Google Brain и DeepMind.
• Gemini Ultra стала первой моделью, превзошедшей экспертов-людей на тесте MMLU (Massive Multitask Language Understanding), набрав 90,04% против 89,8% у человека.
• Контекстное окно Gemini 1.5 Pro в 1 миллион токенов позволяет обрабатывать за один раз, например, весь текст «Властелина колец» или часовую видеозапись.
• Gemini Nano — одна из немногих LLM, способных работать непосредственно на мобильном устройстве без подключения к облаку.

Источники

• Официальный блог Google DeepMind: «Introducing Gemini: our largest and most capable AI model» (6 декабря 2023)
• Документация Google Cloud: «Gemini API Overview»
• Материалы конференции Google I/O 2024
• Статья «Gemini 1.5: Unlocking multimodal understanding across millions of tokens» (arXiv, февраль 2024)
• Отчёт «Gemini: A Family of Highly Capable Multimodal Models» (arXiv, декабрь 2023)
• Новостные публикации The Verge, TechCrunch, Ars Technica за 2023–2025 годы