文章编译自「量子位」、「AI 前线」。
谷歌版o1来了! 在OpenAI十二天发布季倒数第二天——
他们发布Gemini 2.0 Flash Thinking,顾名思义,以闪电般的速度解决复杂问题并展示其思考过程的实验模型。
从姐夫哥展示出的Demo来看,它能在几秒钟之内解决一个物理问题,并且给出思考过程。
还可以给一张图,同时涉及视觉和文本线索的谜题。
如何用其中三个数字加起来等于30?
结果同样也是短短几秒,思考了好几种方案,最终确定是需要将9号球翻转为6号球,以实现6+13+11等于30这样一个结果。
所有综合类别指标中显示,目前Gemini 2.0 Flash Thinking排名第一,包括数学、代码、指令跟随、长QA、创意写作等等各方面。
目前在谷歌AI Studio就可以免费使用。
01谷歌版o1第一波实测
从众多网友实测中,主要分为两大“派系”,一种是纯文本型,另一种是视觉类谜题。
最明显感知的就是一个快字。
它还可以解决像抛硬币这样的概率问题:如果我一直抛硬币,直到得到HHH或HTH,那么得到这两个几率之比是多少?
甚至它还可以解析摩斯代码,让网友直呼:怪吓人的。
有解决这种视觉类谜题的,比如找出这里面的字母和数字,并且说明出现了多少次。
结果它都一一指出来了。
DeepMind首席科学家拿出了他当年面试时遇到第一个问题,是用笔和纸写下的一道关于数论的问题。
结果它也秒秒钟回答了出来。
目前仅支持32k上下文窗口,也不支持联网。不过主创表示接下来会在新的一年里快速跟进,提供更长的token、更多的工具支持等。
今天之所以推出这个实验版,主要是为了接受大家的反馈意见。
02更易于理解和更透明的推理
在开发者文档中,谷歌解释说,“思考模式的响应推理能力比基础版 Gemini 2.0 Flash 模型更强”,而基础版 Gemini 2.0 Flash 模型是谷歌最新、最出色的模型,仅在 8 天前发布。
新模型仅支持 32000 个标记输入(约 50-60 页文本),并且每个输出响应可以产生 8000 个标记。在 Google AI Studio 的侧面板中,该公司声称它最适合“多模式理解、推理”和“编码”。
该模型的训练过程、架构、许可和成本的完整细节尚未公布。目前,它在 Google AI Studio 中显示每个令牌的成本为零。
与 OpenAI 的竞争推理模型 o1 和 o1 mini 不同,Gemini 2.0 允许用户通过下拉菜单访问其逐步推理,从而更清晰、更透明地了解模型如何得出结论。
通过允许用户了解决策过程,Gemini 2.0 解决了人们对人工智能作为“黑匣子”运行的长期担忧,并使该模型(许可条款仍不明确)与竞争对手的其他开源模型相提并论。
03原生支持图像上传和分析
Gemini 2.0 Flash Thinking 是对竞争对手 OpenAI o1 系列的进一步改进,旨在处理跳跃中的图像。
o1 最初是纯文本模型,但后来扩展到包括图像和文件上传分析。目前,这两种模型也只能返回文本。
根据开发者文档显示,Gemini 2.0 Flash Thinking 目前还不支持与谷歌搜索落地,也不支持与其他谷歌应用和外部第三方工具集成。
Gemini 2.0 Flash Thinking 的多模式能力扩展了其潜在用例,使其能够应对结合不同类型数据的场景。
例如,在一项测试中,该模型解决了一个需要分析文本和视觉元素的难题,展示了其跨格式集成和推理的多功能性。
开发人员可以通过 Google AI Studio 和 Vertex AI 利用这些功能,其中模型可供实验。
随着人工智能领域的竞争日趋激烈,Gemini 2.0 Flash Thinking 可能标志着问题解决模型新时代的开始。它能够处理多种数据类型、提供可视化推理并大规模执行,这使它成为推理人工智能市场的有力竞争者,可与 OpenAI 的 o1 系列及其他产品相媲美。
转载原创文章请添加微信:founderparker
热门跟贴