Geminiは、強化されたモデル、拡張コンテキスト、AIエージェントを発表します

1.5 Flashは、要約、チャットアプリケーション、画像やビデオのキャプション作成などのタスクで輝きます。長編ドキュメントや表からのデータ抽出にも優れています。この多様性は、1.5 Proから「蒸留」によってトレーニングされ、大きなモデルの核となる知識とスキルが、より効率的で小さなモデルに受け継がれた結果です。

1.5 Flashの詳細については、更新されたGemini 1.5技術レポート、Gemini技術ページを参照し、その利用可能性と価格について学んでください。

1.5 Proの大幅な改善

過去数ヶ月間、幅広いタスクでトップパフォーマーである1.5 Proを大幅に強化してきました。

コンテキストウィンドウを200万トークンに拡張し、コード生成、論理的推論、計画、複数ターン会話、オーディオや画像の理解における能力を向上させました。これらの強化は、データとアルゴリズムの進歩に裏打ちされ、公開および内部ベンチマークで顕著な改善を示しています。

1.5 Proは、役割、フォーマット、スタイルといった製品レベルの動作を定義する、ますます複雑で微妙な指示を処理できるようになりました。特定のユースケースに対するモデルの応答制御を改良し、チャットエージェントのペルソナのカスタマイズや複数の関数呼び出しによるワークフローの自動化などが可能です。ユーザーはシステム指示を通じてモデルの動作を操縦できます。

また、Gemini APIおよびGoogle AI Studioにオーディオ理解を追加し、1.5 ProがGoogle AI Studioにアップロードされたビデオの画像とオーディオの両方を処理できるようにしました。1.5 ProをGemini AdvancedやWorkspaceアプリなどのGoogle製品に統合しています。

1.5 Proの詳細については、更新されたGemini 1.5技術レポートおよびGemini技術ページをご覧ください。

Gemini Nanoがマルチモーダル入力を理解

Gemini Nanoは、テキストのみの入力から進化し、画像を含むようになりました。Pixelから始まり、マルチモーダル性を備えたGemini Nanoを使用するアプリは、テキスト、ビジュアル、サウンド、音声言語を通じて、より人間らしい方法で世界を解釈できるようになります。

AndroidでのGemini 1.0 Nanoの詳細をご覧ください。

次世代のオープンなモデル

今日、Geminiモデルと同じ研究と技術に基づいて構築されたオープンなモデルファミリーであるGemmaもアップデートしています。

責任あるAIイノベーションのための次世代オープンなモデル、Gemma 2をリリースします。Gemma 2は、優れた性能と効率のための新しいアーキテクチャを備え、新しいサイズで提供されます。

Gemmaファミリーは、PaLI-3にインスパイアされた初のビジョン言語モデルであるPaliGemmaとともに成長しています。また、モデル応答品質を評価するためのLLM Comparatorを備えたResponsible Generative AI Toolkitもアップグレードしました。

詳細については、Developerブログをご覧ください。

ユニバーサルAIエージェントの開発の進展

Google DeepMindでは、責任あるAIを構築し、人類に利益をもたらすことを使命としています。私たちは常に、日常生活を支援できるユニバーサルAIエージェントの作成を目指してきました。そのため、Project Astra（高度な視覚と会話対応エージェント）によるAIアシスタントの未来に関する進捗を共有します。

AIエージェントが真に役立つためには、人間のように世界を理解し反応し、見たものや聞いたものを記憶してコンテキストを把握し、それに応じて行動する必要があります。また、プロアクティブで、学習可能で、パーソナルであり、自然でラグのない会話を可能にする必要があります。

マルチモーダル情報の処理で大きな進歩を遂げましたが、会話応答時間を達成することは難しいエンジニアリング課題です。長年にわたり、モデルが知覚し、推論し、会話する方法を改良し、対話がより自然に感じられるようにしてきました。