O Google está tentando fazer sucesso com o Gemini, um conjunto carro-chefe de modelos, aplicativos e serviços generativos de IA. Mas embora o Gemini pareça promissor em alguns aspectos, está aquém de outros – como nossa análise informal revelado.
Então, o que é o Gemini? 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 e recursos do Gemini forem lançados.
O que é Gemini?
Gemini é, há muito prometido, um modelo de GenAI de última geração do Google, desenvolvida pelos laboratórios de pesquisa de IA do Google DeepMind e Google Research. Ele vem em três sabores:
- Gemini Ultra o principal modelo Gemini.
- Gemini Profissional um modelo “leve” da Gemini.
- Gemini Nano um modelo “destilado” menor 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 do Google LaMDA, 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?
Créditos da imagem: Google
Google, provando outra vez que lhe falta 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 de Imagem 2, o modelo de texto para imagem do Google que está disponível em algumas das ferramentas e ambientes de desenvolvimento da empresa. Não se preocupe – você não é o único confuso com isso.
O que o Gemini 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. Poucos desses recursos atingiram o estágio de produto ainda (mais sobre isso mais tarde), mas o Google promete todos eles – e mais – em algum momento em um futuro não muito distante.
Claro, é um pouco difícil acreditar na palavra da empresa.
Google seriamente subfornecido com o lançamento original do Bard. E mais recentemente irritou as penas com um vídeo que pretende mostrar as capacidades do Gemini que acabou sendo fortemente manipulado 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:
Gemini Ultra
Google diz que o Gemini Ultra — graças à sua multimodalidade — pode ser usado para ajudar em tarefas 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 ChatGPT gerar imagens. Em vez de enviar prompts para um gerador de imagens (como DALL-E 3no 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.
Gemini 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 BerriAI descobriram que o Gemini Pro é realmente melhor que o OpenAI GPT-3.5 em lidar com cadeias de raciocínio mais longas e complexas. Mas o estudo também descobriu que, como todos os grandes modelos de linguagem, o Gemini Pro enfrenta dificuldades particularmente com problemas matemáticos que envolvem vários dígitos, e os usuários encontraram muitos exemplos de mau raciocínio e erros.
No entanto, as melhorias prometidas pelo Google – e as primeiras chegaram na forma de Gemini 1.5 Pró.
Projetado para ser um substituto imediato, o Gemini 1.5 Pro (em versão prévia no momento) 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 (em uma visualização privada limitada) 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 Pro também está disponível via API no Vertex AI para aceitar texto como entrada e gerar texto como saída. Um endpoint adicional, Gemini Pro Vision, pode processar texto e imagens – incluindo fotos e vídeos – e texto de saída nos moldes do OpenAI GPT-4 com Visão modelo.
Usando Gemini Pro na Vertex AI. Créditos da imagem: Gemini
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.
Gemini Nano
Gemini Nano é uma versão muito menor dos modelos Gemini Pro e Ultra e é eficiente o suficiente para ser executado diretamente em (alguns) telefones, em vez de enviar a tarefa para um servidor em algum lugar. Até agora, ele oferece dois recursos no Pixel 8 Pro: Resumir no Gravador e Resposta Inteligente no Gboard.
O aplicativo Recorder, que permite aos usuários apertar um botão para gravar e transcrever áudio, inclui um resumo desenvolvido pelo Gemini de suas conversas, entrevistas, apresentações e outros trechos gravados. Os usuários recebem esses resumos mesmo que não tenham sinal ou conexão Wi-Fi disponível – e em uma homenagem à privacidade, nenhum dado sai do telefone no processo.
O Gemini Nano também está no Gboard, aplicativo de teclado do Google, como um visualização do desenvolvedor. Lá, ele ativa um recurso chamado Resposta Inteligente, que ajuda a sugerir a próxima coisa que você deseja dizer ao conversar em um aplicativo de mensagens. O recurso inicialmente funciona apenas com o WhatsApp, mas chegará a mais aplicativos em 2024, afirma o Google.
O Gemini é melhor que o GPT-4 da OpenAI?
O Google já fez várias vezes elogiado A superioridade do Gemini em benchmarks, alegando que o Gemini Ultra excede os resultados atuais de última geração em “30 dos 32 benchmarks acadêmicos amplamente utilizados em pesquisa e desenvolvimento de modelos de linguagem de grande porte”. A empresa afirma que o Gemini Pro, por sua vez, é mais capaz em tarefas como resumir conteúdo, brainstorming e escrever do que o GPT-3.5.
Mas deixando de lado a questão de saber se os benchmarks realmente indicam um modelo melhor, as pontuações que o Google aponta parecem ser apenas marginalmente melhores do que os modelos correspondentes da OpenAI. E – como mencionado anteriormente – algumas impressões iniciais não foram boas, com Usuários e acadêmicos apontando que o Gemini Pro tende a errar os fatos básicos, tem dificuldades com traduções e dá sugestões de codificação ruins.
Quanto custará o Gemini?
O Gemini Pro é gratuito para uso nos aplicativos Gemini e, por enquanto, no AI Studio e no Vertex AI.
Assim que o Gemini 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 Pro custaria US$ 5. Enquanto isso, gerar um artigo de comprimento semelhante custaria US$ 0,1.
O preço Ultra ainda não foi anunciado.
Onde você pode experimentar o Gemini?
Gemini Profissional
O lugar mais fácil para experimentar o Gemini Pro é em os aplicativos Gemini. Pro e Ultra estão respondendo a perguntas em vários idiomas.
Gemini Pro e Ultra também são acessível na visualização no Vertex AI por meio de uma API. A API é gratuita para uso “dentro dos limites” por enquanto e oferece suporte a determinadas regiões, incluindo a Europa, bem como recursos como funcionalidade de bate-papo e filtragem.
Em outros lugares, Gemini Pro e Ultra podem ser encontrado no AI Studio. Usando o serviço, os desenvolvedores podem iterar prompts e chatbots baseados em Gemini e, em seguida, obter chaves de API para usá-los em seus aplicativos – ou exportar o código para um IDE com mais recursos.
Duet AI para desenvolvedores, o conjunto de ferramentas de assistência baseadas em IA do Google para conclusão e geração de código, agora usa modelos Gemini. E o Google trouxe os modelos Gemini para o seu ferramentas de desenvolvimento para plataforma de desenvolvimento móvel Chrome e Firebase.
Gemini Nano
Gemini Nano está no Pixel 8 Pro – e chegará a outros dispositivos no futuro. Os desenvolvedores interessados em incorporar o modelo em seus aplicativos Android podem inscrever-se para dar uma espiada.
