Gemini ist die Flaggschiff-Familie von Large Language Models von Google DeepMind, die am 6. Dezember 2023 eingeführt wurde. Sie ersetzte Googles früheren auf PaLM basierenden Bard-Chatbot als primäre Large-Model-Linie des Unternehmens und wurde von Anfang an als nativ multimodal konzipiert, wobei sie gemeinsam auf Text, Bild, Audio und Video trainiert wurde, anstatt Modalitäten nachträglich an ein rein textbasiertes Vortraining anzufügen.
Hintergrund
Die Entwicklung von Gemini folgte der Fusion von Google Brain und DeepMind im Jahr 2023 zur vereinheitlichten Organisation Google DeepMind, eine Umstrukturierung, die weithin als Reaktion auf den Wettbewerbsdruck nach dem Start von ChatGPT im Vorjahr berichtet wurde und intern manchmal als „Code-Red“-Moment für Googles Such- und KI-Strategie beschrieben wurde. Demis Hassabis leitete die kombinierte Organisation, während Sundar Pichai, Googles Chief Executive, öffentlich eine „KI-first“-Neuausrichtung der Produktlinien des Unternehmens rund um Gemini propagierte.
Modellstufen und Veröffentlichungen
Gemini wurde in mehreren Größenstufen veröffentlicht, die auf verschiedene Anwendungsfälle abzielen: Ultra für die anspruchsvollsten Aufgaben, Pro als ausgewogenes Allzweckmodell, Flash als schnellere und günstigere Option für Anwendungen mit hohem Volumen und Nano für die Nutzung auf Geräten wie Smartphones und anderer eingeschränkter Hardware. Aufeinanderfolgende Versionen (1.0, 1.5, 2.0 und darüber hinaus) erweiterten den Kontextfenster des Modells, wobei 1.5 Pro bemerkenswerterweise sehr lange Kontextfenster im Bereich von einer Million Tokens unterstützte, was Aufgaben wie das Schlussfolgern über gesamte Codebasen, lange Dokumente oder vollständige Videodateien in einer einzigen Eingabe ermöglichte. Spätere Versionen integrierten explizite Reasoning-Modi, die zusätzliche Inferenzzeit bereitstellen, und brachten Gemini damit in Einklang mit dem breiteren Wandel hin zu Reasoning-Modellen, der von Systemen wie OpenAIs o1 vorangetrieben wurde.
Gemini-Modelle wurden zu einem erheblichen Teil mit Googles eigenen Tensor Processing Units trainiert, anstatt sich ausschließlich auf GPUs von Drittanbietern zu verlassen, was Googles langjährige Investition in kundenspezifische KI-Beschleunigerhardware widerspiegelt.
Integration und Produkte
Google integrierte Gemini umfassend in sein Produktökosystem, einschließlich der Suche (über KI-Übersichten), Workspace-Anwendungen, dem Android-Betriebssystem und einer umbenannten Consumer-Assistenten-App. Spezialisierte Funktionen, die auf der Gemini-Familie aufbauten, umfassten Bildgenerierungs- und Bearbeitungswerkzeuge, insbesondere das Modell, das unter dem Community-Spitznamen Nano Banana bekannt wurde, sowie die Veo-Videogenerierungsmodelle, die beide innerhalb von Google DeepMind entwickelt und oft in die breitere Gemini-Produktoberfläche integriert wurden. Gemini treibt auch NotebookLM an, einen Recherche- und Notizassistenten, der besondere Aufmerksamkeit für seine KI-generierte „Audio-Übersicht“-Podcastfunktion erlangte.
Rezeption und Wettbewerb
Gemini konkurrierte direkt mit OpenAIs GPT-Serie und Claude von Anthropic, wobei die relativen Ranglisten je nach Veröffentlichung bei Benchmarks und Community-Bewertungsplattformen wie LMArena schwankten. Die frühe Rezeption des ursprünglichen Gemini-Starts war gemischt, wobei einige Marketing-Demonstrationen später dafür kritisiert wurden, nicht vollständig repräsentativ für die Live-Fähigkeiten des Modells zu sein, während spätere Versionen, insbesondere die 2.0- und nachfolgende Veröffentlichungen, breiter dafür anerkannt wurden, die Fähigkeitslücke zu konkurrierenden Laboren zu schließen oder zu führen. Geminis tiefe Integration in Googles Such- und Verbraucherprodukte hat es zu einer der am weitesten verbreiteten KI-Modellfamilien nach Nutzerreichweite gemacht, auch wenn es nicht immer bei roher Benchmark-Leistung führte, und seine Entwicklung wurde genau beobachtet als Indikator dafür, ob Google seine Infrastruktur- und Vertriebsvorteile in eine anhaltende KI-Führungsposition umwandeln kann.