სამწუხაროდ, Google-ისთვის, მისი უახლესი ფლაგმანი ენობრივი მოდელის, Gemini 2.5 Pro-ს გამოშვება, Studio Ghibli-ის AI გამოსახულებების ქარიშხალმა გადაფარა, რომელმაც მთელი ყურადღება ხელოვნური ინტელექტის სივრციდან გადაიტანა. შესაძლოა, წინა წარუმატებელი გაშვებების შიშით, Google-მა ის „ჩვენს ყველაზე ინტელექტუალურ AI მოდელად“ წარმოადგინა, სხვა AI ლაბორატორიების მიდგომისგან განსხვავებით, რომლებიც თავიანთ ახალ მოდელებს მსოფლიოში საუკეთესოდ აცხადებენ.
თუმცა, რეალურ სამყაროში ჩატარებულმა პრაქტიკულმა ექსპერიმენტებმა აჩვენა, რომ Gemini 2.5 Pro მართლაც შთამბეჭდავია და შესაძლოა, ამჟამად საუკეთესო მსჯელობის მოდელი იყოს. ეს გზას უხსნის ბევრ ახალ აპლიკაციას და შესაძლოა, Google გენერაციული AI-ის რბოლის სათავეში მოაქციოს.
გრძელი კონტექსტი კოდირების კარგი შესაძლებლობებით
Gemini 2.5 Pro-ს გამორჩეული თვისება არის მისი ძალიან გრძელი კონტექსტური ფანჯარა და გამომავალი სიგრძე. მოდელს შეუძლია 1 მილიონამდე ტოკენის დამუშავება (მალე 2 მილიონიც იქნება), რაც საჭიროების შემთხვევაში შესაძლებელს ხდის მრავალი გრძელი დოკუმენტისა და მთელი კოდის რეპოზიტორიის მოთავსებას მოთხოვნაში. მოდელს ასევე აქვს 64,000 ტოკენის გამომავალი ლიმიტი სხვა Gemini მოდელების 8,000-თან შედარებით.
გრძელი კონტექსტური ფანჯარა ასევე იძლევა გაფართოებული საუბრების საშუალებას, რადგან მსჯელობის მოდელთან თითოეულმა ურთიერთქმედებამ შეიძლება ათობით ათასი ტოკენი გამოიმუშაოს, განსაკუთრებით თუ ის მოიცავს კოდს, სურათებსა და ვიდეოს (მე ეს პრობლემა შემექმნა Claude 3.7 Sonnet-თან, რომელსაც 200,000 ტოკენის კონტექსტური ფანჯარა აქვს).
მაგალითად, პროგრამული უზრუნველყოფის ინჟინერმა საიმონ უილისონმა გამოიყენა Gemini 2.5 Pro თავისი ვებსაიტისთვის ახალი ფუნქციის შესაქმნელად. უილისონმა ბლოგში თქვა: „მან გადაამუშავა ჩემი მთელი კოდის ბაზა და გაარკვია ყველა ის ადგილი, სადაც ცვლილებები უნდა შემეტანა - სულ 18 ფაილი, როგორც ხედავთ შედეგად მიღებულ PR-ში. მთელ პროექტს დაახლოებით 45 წუთი დასჭირდა დასაწყისიდან დასრულებამდე - საშუალოდ სამ წუთზე ნაკლები თითოეულ ფაილზე, რომელიც უნდა გადამეკეთებინა. მე მას კიდევ ბევრი სხვა კოდირების გამოწვევა გადავუგდე და მათი შეფასების შემაფერხებელი ფაქტორი გახდა ჩემი საკუთარი გონებრივი შესაძლებლობა, გადამეხედა შედეგად მიღებული კოდისთვის!“
შთამბეჭდავი მულტიმოდალური მსჯელობა
Gemini 2.5 Pro-ს ასევე აქვს შთამბეჭდავი მსჯელობის უნარი არასტრუქტურირებულ ტექსტზე, სურათებსა და ვიდეოზე. მაგალითად, მე მას მივაწოდე ჩემი ბოლო სტატიის ტექსტი სემპლინგზე დაფუძნებული ძიების შესახებ და ვთხოვე შეექმნა SVG გრაფიკი, რომელიც ასახავდა ტექსტში აღწერილ ალგორითმს. Gemini 2.5 Pro-მ სწორად ამოიღო საკვანძო ინფორმაცია სტატიიდან და შექმნა სემპლინგისა და ძიების პროცესის სქემა, პირობითი ნაბიჯების ჩათვლით. (შედარებისთვის, იგივე დავალებას რამდენიმე ურთიერთქმედება დასჭირდა Claude 3.7 Sonnet-თან და საბოლოოდ ტოკენების ლიმიტი ამოვწურე.)
რენდერირებულ სურათს ჰქონდა გარკვეული ვიზუალური შეცდომები (ისრის თავები არასწორ ადგილას იყო განთავსებული). მას რესტაილინგი სჭირდებოდა, ამიტომ შემდეგ გამოვცადე Gemini 2.5 Pro მულტიმოდალური მოთხოვნით, მივეცი მას რენდერირებული SVG ფაილის სკრინშოტი კოდთან ერთად და ვთხოვე მისი გაუმჯობესება. შედეგები შთამბეჭდავი იყო. მან გამოასწორა ისრის თავები და გააუმჯობესა დიაგრამის ვიზუალური ხარისხი.
სხვა მომხმარებლებსაც ჰქონდათ მსგავსი გამოცდილება მულტიმოდალური მოთხოვნებისას. მაგალითად, მათ ტესტებში DataCamp-მა გაიმეორა მორბენალი თამაშის მაგალითი, რომელიც Google Blog-ში იყო წარმოდგენილი, შემდეგ მიაწოდა კოდი და თამაშის ვიდეო ჩანაწერი Gemini 2.5 Pro-ს და სთხოვა თამაშის კოდში გარკვეული ცვლილებების შეტანა. მოდელს შეეძლო ვიზუალზე მსჯელობა, კოდის ის ნაწილის პოვნა, რომელიც უნდა შეცვლილიყო და სწორი მოდიფიკაციების გაკეთება.
აღსანიშნავია, თუმცა, რომ სხვა გენერაციული მოდელების მსგავსად, Gemini 2.5 Pro მიდრეკილია შეცდომების დაშვებისკენ, როგორიცაა არარელევანტური ფაილებისა და კოდის სეგმენტების მოდიფიცირება. რაც უფრო ზუსტია თქვენი ინსტრუქციები, მით უფრო დაბალია მოდელის მიერ არასწორი ცვლილებების შეტანის რისკი.
მონაცემთა ანალიზი მსჯელობის სასარგებლო კვალით
და ბოლოს, მე გამოვცადე Gemini 2.5 Pro ჩემს კლასიკურ არეულ მონაცემთა ანალიზის ტესტზე მსჯელობის მოდელებისთვის. მე მას მივაწოდე ფაილი, რომელიც შეიცავდა უბრალო ტექსტისა და უხეში HTML მონაცემების ნაზავს, რომელიც მე დავაკოპირე და ჩავსვი Yahoo! Finance-ის საფონდო ისტორიის სხვადასხვა გვერდიდან. შემდეგ ვთხოვე მას გამოეთვალა პორტფელის ღირებულება, რომელიც ყოველი თვის დასაწყისში 140 დოლარს ჩადებდა, თანაბრად გადანაწილებული Magnificent 7 აქციებზე, 2024 წლის იანვრიდან ფაილში უახლეს თარიღამდე.
მოდელმა სწორად განსაზღვრა, რომელი აქციები უნდა აერჩია ფაილიდან (Amazon, Apple, Nvidia, Microsoft, Tesla, Alphabet და Meta), ამოიღო ფინანსური ინფორმაცია HTML მონაცემებიდან და გამოთვალა თითოეული ინვესტიციის ღირებულება თითოეული თვის დასაწყისში აქციების ფასის მიხედვით. მან უპასუხა კარგად ფორმატირებულ ცხრილს აქციებითა და პორტფელის ღირებულებით თითოეული თვისთვის და მოგვაწოდა ინფორმაცია იმის შესახებ, თუ რა ღირდა მთლიანი ინვესტიცია პერიოდის ბოლოს.
რაც უფრო მნიშვნელოვანია, მსჯელობის კვალი ძალიან სასარგებლო აღმოჩნდა. გაურკვეველია, ავლენს თუ არა Google Gemini 2.5 Pro-ს ნედლი ჯაჭვი-აზროვნების (CoT) ტოკენებს, მაგრამ მსჯელობის კვალი ძალიან დეტალურია. თქვენ ნათლად ხედავთ, როგორ მსჯელობს მოდელი მონაცემებზე, ამოიღებს ინფორმაციის სხვადასხვა ნაწილს და გამოთვლის შედეგებს პასუხის გენერირებამდე. ეს დაგეხმარებათ მოდელის ქცევის გამართვაში და სწორი მიმართულებით წარმართვაში, როდესაც ის შეცდომებს უშვებს.
საწარმოს დონის მსჯელობა?
Gemini 2.5 Pro-სთან დაკავშირებული ერთ-ერთი შეშფოთება არის ის, რომ ის ხელმისაწვდომია მხოლოდ მსჯელობის რეჟიმში, რაც იმას ნიშნავს, რომ მოდელი ყოველთვის გადის „აზროვნების“ პროცესს, თუნდაც ძალიან მარტივი მოთხოვნებისთვის, რომლებზეც პირდაპირი პასუხის გაცემაა შესაძლებელი.
Gemini 2.5 Pro ამჟამად წინასწარი გადახედვის გამოშვებაშია. როგორც კი სრული მოდელი გამოვა და ფასების შესახებ ინფორმაცია ხელმისაწვდომი გახდება, ჩვენ უკეთ გავიგებთ, რა დაჯდება მოდელის საფუძველზე საწარმოს აპლიკაციების შექმნა. თუმცა, რადგან დასკვნის ღირებულება კვლავ იკლებს, ჩვენ შეგვიძლია ველოდოთ, რომ ის პრაქტიკული გახდება მასშტაბურად.
Gemini 2.5 Pro-ს შესაძლოა არ ჰქონია ხმაურიანი დებიუტი, მაგრამ მის შესაძლებლობებს ყურადღება სჭირდება. მისი მასიური კონტექსტური ფანჯარა, შთამბეჭდავი მულტიმოდალური მსჯელობა და მსჯელობის დეტალური ჯაჭვი ხელშესახებ უპირატესობებს გვთავაზობს რთული საწარმოო დატვირთვებისთვის, კოდის ბაზის რეფაქტორინგიდან დაწყებული მონაცემთა ნიუანსირებული ანალიზით დამთავრებული.
დამუშავებულია ასინეთა AI-ის მიერ
გსურთ კომენტარის დატოვება?
კომენტარის დასატოვებლად საჭიროა ავტორიზაცია
შესვლა რეგისტრაციაკომენტარები არ არის
იყავით პირველი, ვინც დატოვებს კომენტარს