大佬1小時演講1分鐘搞定
谷歌最強大模型Gemini 1.5 Pro今天起，“全面”對外開放。
目前完全免費，開發者可以通過API調用的方式使用，普通玩家也可以在谷歌AI Studio中直接體驗。
（Ps. 發布這則消息的谷歌工程師Logan Kilpatrick正是原來OpenAI開發者關系的負責人，剛剛跳槽到谷歌。）
最讓人期待的是，Gemini 1.5 Pro API首次增加了音頻理解功能。
無論是財報電話會、電視節目還是大神演講，不需要我們再提供字幕文檔它就可以直接解讀了。
如下圖所示：
上傳Jeff Dean長約117000+token的演講錄音，Gemini 1.5 Pro在30.8s內就完成了解析。
而由于Gemini 1.5 Pro100萬的上下文窗口這次也直接對外開放，因此它可以處理的最長音頻約為11小時，最長視頻則為1小時，相當夠用。
我們也趕緊實測了一把，結果是真香。
Gemini 1.5 Pro開放API了
谷歌官方給這次免費開放的Gemini 1.5 Pro版本定義為“公開預覽版”。
它主要面向開發者，可在谷歌AI Studio中獲得API密鑰：
目前最引人注目的音頻理解功能還沒添加到API中，但據說很快就會補上。
問題不大，我們可以先在Google AI Studio中直接體驗：
在實測中，我們上傳了比爾蓋茨1995年做客Late Show節目的一段音頻，時長1分鐘。
我們沒有提示這段音頻的任何背景信息，Gemini 1.5 Pro直接就聽出來了是誰。
并在10s左右精準整理出了全對話的精華部分，一點“正確的廢話”都沒有：
表現令人折服。
接下來，來個更具挑戰的，Andrej Karpathy1小時長的大模型科普教程。
我們提取音頻文件，足足10萬多個token（這種在UI里直接顯示當前消耗token數量的方法也廣受好評）。
Gemini 1.5 Pro最終在53s內按要求給出了10個亮點分析：
可以說一分鐘就讓我們對1小時的演講內容有了整體認知，再也不用費勁扒字幕文件了。
繼續回到API本身。
除了音頻理解，為了讓開發者更好地控制模型輸出，Gemini 1.5 Pro還提供了另外3項新功能/改進：
首先是系統指令。
我們可以自定義一些特殊用例，包括它們的角色、輸出格式/風格/語氣、目標和規則等等。
設置完成后，這個指令就會應用于接下來的整個請求。
示例如下：
其次，JSON模式。
也就是可以指示模型僅輸出JSON對象了，非常方便我們從文本或圖像中提取結構化數據。
第三，函數調用上也有改進。
為了提高可靠性，Gemini 1.5 Pro也可以選擇不同模式來限制模型的輸出了。
可以是文本模式，將生成文本作為輸出；也可以是函數調用模式，或者干脆只輸出函數本身（不帶任何參數或其他信息）。
最后，還沒完，從今天起，開發者還能通過該API調用谷歌的下一代文本嵌入模型：
text-embedding-004（又名“Gecko”）。
該模型在MTEB基準上實現了非常強大的檢索性能，優于可比維度的所有對手。
兩個月前誕生的谷歌最強大模型
Gemini 1.5 Pro于2月15日發布，距今還不到兩個月。
它是Gemini Pro的升級版，多模態多語言，最大的亮點無疑是上下文窗口長度：
從128k到最多100萬。
100萬個token相當于可處理70萬個單詞或約3萬行代碼，折合成音頻就是約11小時，視頻約1小時。
無疑是很大的一個量級了（現在則完全在API中開放）。
當時官方的演示包括用它搜索阿波羅11號登月的電視轉播信息，一共402頁文字記錄。
模型的響應時間大約在20s到1分鐘。稍微有點慢，但谷歌承諾會優化延遲時間。
而Gemini 1.5 Pro發布之后，網友也很快分享了一些還不錯的內測結果，包括：
鑒別Sora視頻是否AI生成，給出關鍵證據；
在一場14分鐘的NBA扣籃視頻中，判斷出哪個扣籃得分最高， 并給出其中扣籃細節；
還有分析比較《星際穿越》和《星際探索》兩個完整的電影腳本，合起來接近10萬token，結果三十幾秒內就給出了完整詳盡的報告。
可以說，這次谷歌整體是沒有讓大伙失望的。
最高能的是，它還能看錄像改BUG：
有網友在編寫一個網頁的代碼時故意留了3個bug，并分別錄制了3個bug視頻，外加代碼庫打包成文件一同丟給Gemini 1.5 Pro，結果全部分分鐘給出正確代碼。
這位網友當時就表示：這“小伙子”前途不可限量啊。
而在今天，隨著Gemini 1.5 Pro API的“全面”開放，大伙可以更進一步地感受其厲害了。
咳咳，就是目前速率限制還有點高：
每分鐘請求量為5次，每分鐘token為1000萬個，每日請求量為2000個～
友情鏈接：
https://aistudio.google.com/app/prompts/new_chat
參考鏈接：
https://developers.googleblog.com/2024/04/gemini-15-pro-in-public-preview-with-new-features.html
https://twitter.com/OfficialLoganK/status/1777733743303696554
本文鏈接：谷歌最強大模型免費開放了！長音頻理解功能獨一份，100萬上下文敞開用http://www.sq15.cn/show-2-4737-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。