【新智元導(dǎo)讀】剛剛，我們經(jīng)歷了LLM劃時代的一夜。Gemini Ultra發(fā)布還沒幾天，Gemini 1.5就來了。卯足勁和OpenAI微軟一較高下的谷歌，開始進入了高產(chǎn)模式。

自家最強的Gemini 1.0 Ultra才發(fā)布沒幾天，谷歌又放大招了。

就在剛剛，谷歌DeepMind首席科學(xué)家Jeff Dean，以及聯(lián)創(chuàng)兼CEO的Demis Hassabis激動地宣布了最新一代多模態(tài)大模型——Gemini 1.5系列的誕生。

其中，最高可支持10,000K token超長上下文的Gemini 1.5 Pro，也是谷歌最強的MoE大模型。

不難想象，在百萬級token上下文的加持下，我們可以更加輕易地與數(shù)十萬字的超長文檔、擁有數(shù)百個文件的數(shù)十萬行代碼庫、一部完整的電影等等進行交互。

同時，為了介紹這款劃時代的模型，谷歌還發(fā)布了達58頁的技術(shù)報告。

毫不夸張地說，大語言模型領(lǐng)域從此將進入一個全新的時代！

1,000,000 token超超超長上下文，全面碾壓GPT-4 Turbo

在上下文窗口方面，此前的SOTA模型已經(jīng)「卷」到了200K token（20萬）。

如今，谷歌成功將這個數(shù)字大幅提升——能夠穩(wěn)定處理高達100萬token（極限為1000萬token），創(chuàng)下了最長上下文窗口的紀錄。

1000萬token極限海底撈針幾乎全綠

首先，我們看看Gemini 1.5 Pro在多模態(tài)海底撈針測試中的成績。

對于文本處理，Gemini 1.5 Pro在處理高達530,000 token的文本時，能夠?qū)崿F(xiàn)100%的檢索完整性，在處理1,000,000 token的文本時達到99.7%的檢索完整性。

甚至在處理高達10,000,000 token的文本時，檢索準(zhǔn)確性仍然高達99.2%。

在音頻處理方面，Gemini 1.5 Pro能夠在大約11小時的音頻資料中，100%成功檢索到各種隱藏的音頻片段。

在視頻處理方面，Gemini 1.5 Pro能夠在大約3小時的視頻內(nèi)容中，100%成功檢索到各種隱藏的視覺元素。

此外，谷歌研究人員還開發(fā)了一個更通用的版本的「大海撈針」測試。

在這個測試中，模型需要在一定的文本范圍內(nèi)檢索到100個不同的特定信息片段。

在這個測試中，Gemini 1.5 Pro在較短的文本長度上的性能超過了GPT-4-Turbo，并且在整個100萬token的范圍內(nèi)保持了相對穩(wěn)定的表現(xiàn)。

與之對比鮮明的是，GPT-4 Turbo的性能則飛速下降，且無法處理超過128,000 token的文本，表現(xiàn)慘烈。

大模型視野，被「史詩級」拓寬

LLM發(fā)展到這個階段，模型的上下文窗口已經(jīng)成為了關(guān)鍵的掣肘。

模型的上下文窗口由許多token組成，它們是處理單詞、圖像、視頻、音頻、代碼這些信息的基礎(chǔ)構(gòu)建。

模型的上下文窗口越大，它處理給定提示時能夠接納的信息就越多——這就使得它的輸出更加連貫、相關(guān)和實用。

而這次，谷歌通過一系列機器學(xué)習(xí)的創(chuàng)新，大幅提升了1.5 Pro的上下文窗口容量，從Gemini 1.0的原始32,000 token，直接提升到了驚人的1,000,000 token。

這就意味著，1.5 Pro能夠一次性處理海量信息——比如1小時的視頻、11小時的音頻、超過30,000行的代碼庫，或是超過700,000個單詞。

甚至，谷歌曾經(jīng)一度成功測試了高達10,000,000的token。

深入理解海量信息

脫胎換骨的Gemini 1.5 Pro，已經(jīng)可以輕松地分析給定提示中的海量內(nèi)容！

它能夠洞察文檔中的對話、事件和細節(jié)，展現(xiàn)出對復(fù)雜信息的深刻理解。

我們甩給它一份阿波羅11號任務(wù)到月球的402頁飛行記錄，它對于多復(fù)雜的信息，都能表現(xiàn)出深刻的理解。

讓它從文件中列舉出3個喜劇性的時刻，接下來，就是見證奇跡的時刻——

才過了30秒出頭，答案就已經(jīng)生成了！

接下來，看看它的多模態(tài)功能。

把這張圖輸入進去，問它：這是什么時刻？

它會回答，這是阿姆斯特朗邁上月球的一小步，也是人類的一大步。

這次，谷歌還新增了一個功能，允許開發(fā)者上傳多個文件（比如PDF），并提出問題。

更大的上下文窗口，就讓模型能夠處理更多信息，從而讓輸出結(jié)果更加一致、相關(guān)且實用。

橫跨各種不同媒介

與此同時，Gemini 1.5 Pro還能夠在視頻中展現(xiàn)出深度的理解和推理能力！

得益于Gemini的多模態(tài)能力，上傳的視頻會被拆分成數(shù)千個畫面（不包括音頻），以便執(zhí)行復(fù)雜的推理和問題解決任務(wù)。

比如，輸入這部44分鐘的無聲電影——Buster Keaton主演的經(jīng)典之作《小神探夏洛克》。

模型不僅能夠精準(zhǔn)地捕捉到電影的各個情節(jié)和發(fā)展，還能洞察到極易被忽略的細微之處。

我們可以問它：找到一張紙從主角口袋中被拿出的瞬間，然后告訴我關(guān)于這個細節(jié)的信息。

令人驚喜的是，模型大約用了60秒左右就準(zhǔn)確地找出，這個鏡頭是在電影的12:01，還描述出了相關(guān)細節(jié)。

果然，模型精準(zhǔn)找出了這個鏡頭的時間點，所述細節(jié)也完全準(zhǔn)確！

輸入一張粗略的涂鴉，要求模型找到電影中的對應(yīng)場景，模型也在一分鐘內(nèi)找到了答案。

高效處理更長代碼

不僅如此，Gemini 1.5 Pro在處理長達超過100,000行的代碼時，還具備極強的問題解決能力。

面對如此龐大的代碼量，它不僅能夠深入分析各個示例，提出實用的修改建議，還能詳細解釋代碼的各個部分是如何協(xié)同工作的。

?

開發(fā)者可以直接上傳新的代碼庫，利用這個模型快速熟悉、理解代碼結(jié)構(gòu)。

?

高效架構(gòu)的秘密：MoE

Gemini 1.5的設(shè)計，基于的是谷歌在Transformer和混合專家（MoE）架構(gòu)方面的前沿研究。

不同于傳統(tǒng)的作為一個龐大的神經(jīng)網(wǎng)絡(luò)運行的Transformer，MoE模型由眾多小型的「專家」神經(jīng)網(wǎng)絡(luò)組成。

這些模型可以根據(jù)不同的輸入類型，學(xué)會僅激活最相關(guān)的專家網(wǎng)絡(luò)路徑。

這樣的專門化，就使得模型效率大幅提升。

而谷歌通過Sparsely-Gated MoE、GShard-Transformer、Switch-Transformer、M4研究，早已成為深度學(xué)習(xí)領(lǐng)域中MoE技術(shù)的領(lǐng)航者。

Gemini 1.5的架構(gòu)創(chuàng)新帶來的，不僅僅是更迅速地掌握復(fù)雜任務(wù)、保持高質(zhì)量輸出，在訓(xùn)練和部署上也變得更加高效。

因此，團隊才能以驚人的速度，不斷迭代和推出更先進的Gemini版本。

性能比肩Ultra，大幅超越1.0 Pro

在涵蓋文本、代碼、圖像、音頻和視頻的綜合性測試中，1.5 Pro在87%的基準(zhǔn)測試上超越了1.0 Pro。

與1.0 Ultra在相同基準(zhǔn)測試的比較中，1.5 Pro的表現(xiàn)也相差無幾。

Gemini 1.5 Pro在擴大上下文窗口后，依然保持了高水平的性能。在「大海撈針(NIAH)」測試中，它能夠在長達100萬token的文本塊中，在99%的情況下，準(zhǔn)確找出隱藏有特定信息的文本片段。

此外，Gemini 1.5 Pro展現(xiàn)了卓越的「上下文學(xué)習(xí)」能力，能夠僅憑長提示中提供的信息掌握新技能，無需進一步細化調(diào)整。

這一能力在「從一本書學(xué)習(xí)機器翻譯 (MTOB)」基準(zhǔn)測試中得到了驗證，該測試檢驗了模型學(xué)習(xí)從未接觸過的信息的能力。

對于一本關(guān)于全球不足200人使用的Kalamang語的語法手冊，模型能夠?qū)W會將英語翻譯成Kalamang，學(xué)習(xí)效果與人類學(xué)習(xí)相似。

谷歌的研究者成功地增強了模型處理長文本的能力，而且這種增強并沒有影響到模型的其他功能。

雖然這項改進只用了Gemini 1.0 Ultra模型訓(xùn)練時間的一小部分，但1.5 Pro模型在31項性能測試中的17項上超過了1.0 Ultra模型。

與1.0 Pro模型相比，1.5 Pro在31項測試中的27項上，表現(xiàn)更佳。

具體結(jié)果如下：

細節(jié)表現(xiàn)如何？

分析和掌握復(fù)雜代碼庫

這款模型能夠迅速吸收大型代碼庫，并解答復(fù)雜的問題，這一點非常引人注目。

例如，three.js是一個包含約10萬行代碼、示例和文檔等的3D Javascript庫。

借助這個代碼庫作為背景，系統(tǒng)能夠幫助用戶深入理解代碼，并能夠根據(jù)人們提出的高層次要求來修改復(fù)雜的示例。

比如：「展示一些代碼，用于添加一個滑塊控制動畫速度。采用和其他演示相同的GUI風(fēng)格。」

或者精確地指出需要修改的代碼部分，以改變另一個示例中生成的地形的高度。

瀏覽龐大而陌生的代碼庫

并且，模型能夠幫我們理解代碼，或定位某個特定功能的實現(xiàn)位置。

在這個例子中，模型能夠處理整個包含116個文件的JAX代碼庫（746k token），并協(xié)助用戶找到實現(xiàn)自動微分反向傳播的確切代碼位置。

顯然，在深入了解一個陌生的代碼庫或日常工作中使用的代碼庫時，長上下文處理能力的價值不言而喻。

許多Gemini團隊成員已經(jīng)發(fā)現(xiàn)，Gemini 1.5 Pro的長上下文處理功能，對于Gemini 代碼庫大有裨益。

長篇復(fù)雜文檔的推理

同時，模型在分析長篇、復(fù)雜的文本文檔方面也非常出色，例如雨果的五卷本小說《悲慘世界》（共1382頁，含732,000個token）。

下面這個簡單的實驗，就展示了模型的多模態(tài)能力：粗略地畫出一個場景，并詢問「請看這幅圖畫中的事件發(fā)生在書的哪一頁？」

模型就能給出準(zhǔn)確的答案——1099頁！

Kalamang語翻譯

報告中一個特別引人注目的例子是關(guān)于Kalamang語的翻譯。

卡拉曼語是新幾內(nèi)亞西部、印度尼西亞巴布亞東部不足200人使用的語言，幾乎未在互聯(lián)網(wǎng)上留下足跡。

Gemini Pro 1.5通過上下文學(xué)習(xí)掌握了Kalamang語的知識，其翻譯質(zhì)量可與使用相同材料學(xué)習(xí)的人相媲美。

在英語到卡拉曼語的翻譯中，Gemini Pro 1.5的ChrF達到了58.3，大幅超過了以往最好的模型得分45.8 ChrF，并略高于MTOB論文報告的57.0 ChrF人類基準(zhǔn)。

這一成就無疑帶來了令人激動的可能性，提升稀有語言的翻譯質(zhì)量。

Gemini 1.5的誕生，意味著性能的階段飛躍，標(biāo)志著谷歌在研究和工程創(chuàng)新上，又邁出了登月般的一步。

接下來能跟Gemini 1.5硬剛的，大概就是GPT-5了。