Google Gemini: tudo o que você precisa saber sobre a nova plataforma generativa de IA

O Google está tentando fazer sucesso com o Gemini, seu principal conjunto de modelos, aplicativos e serviços generativos de IA.

Então, o que é Gêmeos? Como você pode usá-lo? E como isso se compara à concorrência?

Para tornar mais fácil acompanhar os desenvolvimentos mais recentes do Gemini, elaboramos este guia prático, que manteremos atualizado à medida que novos modelos Gemini, recursos e notícias sobre os planos do Google para o Gemini forem lançados.

O que é Gêmeos?

Gêmeos é do Google há muito prometido, família de modelos GenAI de última geração, desenvolvida pelos laboratórios de pesquisa de IA do Google DeepMind e Google Research. Ele vem em três sabores:

• Gêmeos Ultrao modelo Gemini de melhor desempenho.
• Gêmeos Profissionalum modelo “leve” da Gemini.
• Gêmeos Nanoum modelo menor “destilado” que roda em dispositivos móveis como o Pixel 8 Pro.

Todos os modelos Gemini foram treinados para serem “nativamente multimodais” – em outras palavras, capazes de trabalhar e usar mais do que apenas palavras. Eles foram pré-treinados e ajustados em uma variedade de áudio, imagens e vídeos, um grande conjunto de bases de código e texto em diferentes idiomas.

Isso diferencia o Gemini de modelos como o LaMDA do Google, que foi treinado exclusivamente em dados de texto. O LaMDA não consegue entender ou gerar nada além de texto (por exemplo, ensaios, rascunhos de e-mail), mas esse não é o caso dos modelos Gemini.

Qual é a diferença entre os aplicativos Gemini e os modelos Gemini?

O Google, provando mais uma vez que não tem talento para branding, não deixou claro desde o início que o Gemini é separado e distinto dos aplicativos Gemini na web e em dispositivos móveis (anteriormente Bard). Os aplicativos Gemini são simplesmente uma interface através da qual certos modelos Gemini podem ser acessados ​​– pense nele como um cliente para o GenAI do Google.

Aliás, os aplicativos e modelos Gemini também são totalmente independentes do Imagen 2, o modelo de texto para imagem do Google que está disponível em algumas ferramentas e ambientes de desenvolvimento da empresa.

O que Gêmeos pode fazer?

Como os modelos Gemini são multimodais, eles podem, em teoria, realizar uma série de tarefas multimodais, desde a transcrição de fala até a legenda de imagens e vídeos e a geração de obras de arte. Algumas dessas capacidades já atingiram o estágio de produto (mais sobre isso mais tarde), e o Google promete todas elas – e mais – em algum momento em um futuro não muito distante.

Claro, é um pouco difícil acreditar na palavra da empresa.

O Google teve um desempenho seriamente insuficiente com o lançamento original do Bard. E, mais recentemente, irritou as pessoas com um vídeo que pretendia mostrar as capacidades de Gêmeos, que acabou sendo fortemente adulterado e era mais ou menos aspiracional.

Ainda assim, supondo que o Google esteja sendo mais ou menos verdadeiro em suas afirmações, eis o que os diferentes níveis de Gemini serão capazes de fazer quando atingirem todo o seu potencial:

Gêmeos Ultra

O Google afirma que o Gemini Ultra — graças à sua multimodalidade — pode ser usado para ajudar em coisas como trabalhos de física, resolver problemas passo a passo em uma planilha e apontar possíveis erros em respostas já preenchidas.

O Gemini Ultra também pode ser aplicado a tarefas como identificar artigos científicos relevantes para um problema específico, diz o Google – extraindo informações desses artigos e “atualizando” um gráfico de um deles, gerando as fórmulas necessárias para recriar o gráfico com dados mais recentes. .

Gemini Ultra suporta tecnicamente a geração de imagens, conforme mencionado anteriormente. Mas essa capacidade ainda não chegou à versão produzida do modelo – talvez porque o mecanismo seja mais complexo do que a forma como aplicativos como o ChatGPT geram imagens. Em vez de enviar prompts para um gerador de imagens (como o DALL-E 3, no caso do ChatGPT), o Gemini gera imagens “nativamente”, sem uma etapa intermediária.

O Gemini Ultra está disponível como uma API por meio da Vertex AI, a plataforma de desenvolvimento de IA totalmente gerenciada do Google, e do AI Studio, a ferramenta baseada na Web do Google para desenvolvedores de aplicativos e plataformas. Ele também alimenta os aplicativos Gemini – mas não de graça. O acesso ao Gemini Ultra por meio do que o Google chama de Gemini Advanced requer a assinatura do plano Google One AI Premium, ao preço de US$ 20 por mês.

O plano AI Premium também conecta o Gemini à sua conta mais ampla do Google Workspace – pense em e-mails no Gmail, documentos no Documentos, apresentações no Planilhas e gravações do Google Meet. Isso é útil, por exemplo, para resumir e-mails ou fazer com que o Gemini capture notas durante uma videochamada.

Gêmeos Profissional

O Google afirma que o Gemini Pro é uma melhoria em relação ao LaMDA em suas capacidades de raciocínio, planejamento e compreensão.

Um independente estudar por pesquisadores da Carnegie Mellon e da BerriAI descobriram que a versão inicial do Gemini Pro era de fato melhor que o GPT-3.5 da OpenAI no tratamento de cadeias de raciocínio mais longas e complexas. Mas o estudo também descobriu que, como todos os grandes modelos de linguagem, esta versão do Gemini Pro enfrentava problemas particularmente matemáticos envolvendo vários dígitos, e os usuários encontraram exemplos de mau raciocínio e erros óbvios.

Porém, o Google prometeu soluções – e a primeira chegou na forma do Gemini 1.5 Pro.

Projetado para ser um substituto imediato, o Gemini 1.5 Pro foi aprimorado em várias áreas em comparação com seu antecessor, talvez mais significativamente na quantidade de dados que pode processar. O Gemini 1.5 Pro pode conter aproximadamente 700.000 palavras ou aproximadamente 30.000 linhas de código – 35x a quantidade que o Gemini 1.0 Pro pode suportar. E – sendo o modelo multimodal – não se limita ao texto. O Gemini 1.5 Pro pode analisar até 11 horas de áudio ou uma hora de vídeo em vários idiomas diferentes, embora lentamente (por exemplo, procurar uma cena em um vídeo de uma hora leva de 30 segundos a um minuto de processamento).

O Gemini 1.5 Pro entrou em pré-visualização pública na Vertex AI em abril.

Um endpoint adicional, Gemini Pro Vision, pode processar texto e imagens – incluindo fotos e vídeos – e texto de saída nos moldes do modelo GPT-4 com Vision da OpenAI.

Usando Gemini Pro na Vertex AI. Créditos da imagem: Gêmeos

Na Vertex AI, os desenvolvedores podem personalizar o Gemini Pro para contextos e casos de uso específicos usando um processo de ajuste fino ou “aterramento”. O Gemini Pro também pode ser conectado a APIs externas de terceiros para realizar ações específicas.

No AI Studio, há fluxos de trabalho para criar prompts de bate-papo estruturados usando o Gemini Pro. Os desenvolvedores têm acesso aos endpoints Gemini Pro e Gemini Pro Vision e podem ajustar a temperatura do modelo para controlar a faixa criativa da saída e fornecer exemplos para fornecer instruções de tom e estilo – e também ajustar as configurações de segurança.

Assim que o Gemini 1.5 Pro sair da visualização no Vertex, no entanto, o modelo custará US$ 0,0025 por caractere, enquanto a produção custará US$ 0,00005 por caractere. Os clientes da Vertex pagam por 1.000 caracteres (cerca de 140 a 250 palavras) e, no caso de modelos como Gemini Pro Vision, por imagem (US$ 0,0025).

Vamos supor que um artigo de 500 palavras contenha 2.000 caracteres. Resumir esse artigo com o Gemini 1.5 Pro custaria US$ 5. Enquanto isso, gerar um artigo de comprimento semelhante custaria US$ 0,1.

O preço Ultra ainda não foi anunciado.