Gemini é a família principal de modelos de linguagem de grande porte do Google DeepMind, lançada em 6 de dezembro de 2023. Ela substituiu o chatbot Bard, baseado no PaLM, como a principal linha de modelos da Google, e foi projetada desde o início para ser nativamente multimodal, treinada em conjunto em texto, imagem, áudio e vídeo, em vez de ter as modalidades adicionadas após o pré-treinamento apenas com texto.
Contexto
O desenvolvimento do Gemini seguiu a fusão de 2023 entre Google Brain e DeepMind na organização unificada Google DeepMind, uma reestruturação amplamente relatada como uma resposta à pressão competitiva após o lançamento do ChatGPT no ano anterior, às vezes descrita internamente como um momento de "código vermelho" para a estratégia de busca e IA da Google. Demis Hassabis liderou a organização combinada, com Sundar Pichai, diretor executivo da Google, promovendo publicamente uma reorientação "IA em primeiro lugar" das linhas de produtos da empresa em torno do Gemini.
Níveis de modelo e lançamentos
O Gemini foi lançado em vários níveis de tamanho, voltados para diferentes casos de uso: Ultra para as tarefas mais exigentes, Pro como um modelo geral equilibrado, Flash como uma opção mais rápida e barata para aplicações de alto volume, e Nano para uso em dispositivos, como celulares e outros hardwares com restrições. Versões sucessivas (1.0, 1.5, 2.0 e além) ampliaram a janela de contexto do modelo, com o 1.5 Pro notavelmente suportando janelas de contexto muito longas, na faixa de um milhão de tokens, permitindo tarefas como raciocínio sobre bases de código inteiras, documentos extensos ou arquivos de vídeo completos em um único prompt. Versões posteriores incorporaram modos de raciocínio explícitos que alocam computação extra no momento da inferência, alinhando o Gemini com a mudança mais ampla em direção aos modelos de raciocínio, pioneirizada por sistemas como o o1 da OpenAI.
Os modelos Gemini foram treinados, em parte significativa, usando os Tensor Processing Units da própria Google, em vez de depender exclusivamente de GPUs de terceiros, refletindo o investimento de longa data da empresa em hardware personalizado de aceleração de IA.
Integração e produtos
A Google integrou o Gemini amplamente em seu ecossistema de produtos, incluindo Busca (via AI Overviews), aplicativos do Workspace, o sistema operacional Android e um aplicativo de assistente ao consumidor renomeado. Capacidades especializadas construídas sobre a família Gemini incluíam ferramentas de geração e edição de imagens, mais notavelmente o modelo que ficou conhecido pelo apelido da comunidade Nano Banana, e os modelos de geração de vídeo Veo, ambos desenvolvidos dentro do Google DeepMind e frequentemente integrados à superfície mais ampla do produto Gemini. O Gemini também alimenta o NotebookLM, um assistente de pesquisa e anotações que ganhou atenção particular por seu recurso de "visão geral em áudio" gerado por IA, no formato de podcast.
Recepção e concorrência
O Gemini competiu diretamente com a série GPT da OpenAI e com o Claude (AI model family) da Anthropic, com classificações relativas mudando entre lançamentos em benchmarks e plataformas de avaliação da comunidade, como a LMArena. A recepção inicial do lançamento original do Gemini foi mista, com algumas demonstrações de marketing posteriormente criticadas por não serem totalmente representativas das capacidades reais do modelo, enquanto versões posteriores, especialmente as 2.0 e seguintes, foram mais amplamente creditadas por fechar ou liderar a lacuna de capacidades em relação aos laboratórios rivais. A integração profunda do Gemini nos produtos de busca e consumo da Google o tornou uma das famílias de modelos de IA mais amplamente distribuídas em termos de alcance de usuários, mesmo onde nem sempre liderou em desempenho bruto de benchmarks, e sua trajetória tem sido acompanhada de perto como um indicador de se a Google pode converter suas vantagens de infraestrutura e distribuição em liderança sustentada em IA.