{
  "id": 651,
  "title": "Google Gemini: полный разбор модели, которая превзошла GPT-4",
  "speaker": "TheAIGRID",
  "topic": "Детальный разбор Google Gemini — первой по-настоящему мультимодальной ИИ-модели, превзошедшей GPT-4 в 7 из 8 бенчмарков. Архитектура, возможности, технический отчёт и будущее.",
  "duration_label": "30:43",
  "theses": [
    {
      "title": "Gemini — мультимодальная модель «с нуля», а не склейка отдельных систем",
      "description": "В отличие от предыдущих подходов, где текстовые, визуальные и аудио-модели объединялись на вторичном этапе, Gemini изначально обучена работать со всеми модальностями одновременно. Это позволяет ей бесшовно переключаться между текстом, кодом, аудио, изображениями и видео в рамках одного разговора."
    },
    {
      "title": "Три размера модели для разных задач: Ultra, Pro, Nano",
      "description": "Google выпустила семейство моделей: Ultra — самая мощная для сложных задач, Pro — оптимальный баланс для широкого спектра задач, Nano — эффективная модель для работы на мобильных устройствах. Каждая из них является лучшей в своём классе."
    },
    {
      "title": "Gemini Ultra превосходит GPT-4 в 7 из 8 бенчмарков",
      "description": "На тесте MMLU Gemini Ultra набрала 90% против 86.4% у GPT-4. В кодировании (HumanEval) — 74.4% против 67%. В математике — 53.2% против 52.9%. Единственная категория, где GPT-4 удержала лидерство — HellaSwag."
    },
    {
      "title": "Абсолютное превосходство в мультимодальных бенчмарках",
      "description": "Во всех мультимодальных тестах — распознавание изображений, видео, аудио — Gemini Ultra превзошла GPT-4V. В аудио даже Gemini Pro превосходит OpenAI Whisper V2 и V3, что демонстрирует глубину мультимодальных возможностей."
    },
    {
      "title": "Генерация интерфейсов на лету по запросу пользователя",
      "description": "Gemini способна не просто отвечать текстом, а создавать полноценные интерактивные интерфейсы. Модель сама решает, нужен ли UI, пишет PRD (документ требований), проектирует UX-путь, генерирует Flutter-код и подбирает данные — всё за один запрос."
    },
    {
      "title": "Контекстное окно 32K токенов с 98% точностью извлечения",
      "description": "Gemini обрабатывает последовательности до 32 768 токенов. На синтетических тестах извлечения ключ-значение модель показала 98% точность по всей длине контекста, что значительно превосходит модели с короткими окнами."
    },
    {
      "title": "Анализ видео как нативная функция",
      "description": "В отличие от GPT-4, который не поддерживает видео, Gemini принимает видео как прямой вход. Модель анализирует технику футболиста, замечает ошибки в позиционировании тела и предлагает конкретные улучшения — пример глубокого понимания видеоконтента."
    },
    {
      "title": "Обработка 200 000 научных статей за обеденный перерыв",
      "description": "Учёные Google DeepMind использовали Gemini для фильтрации 200 000 научных публикаций, выделения 250 релевантных и извлечения данных с аннотациями. Работа, которая заняла бы месяцы ручного труда, была выполнена за минуты."
    },
    {
      "title": "Gemini как инструмент для образования с персонализацией",
      "description": "Модель читает рукописные ответы учеников, определяет правильные и неправильные решения, объясняет ошибки пошагово и генерирует персональные тренировочные задачи. Это превращает ИИ в индивидуального репетитора."
    },
    {
      "title": "Консистентная генерация изображений в контексте текста",
      "description": "Gemini генерирует блог-посты с картинками, где один и тот же персонаж (например, собака) сохраняет визуальную консистентность на разных фото — функция, недоступная в GPT-4."
    },
    {
      "title": "Будущее Gemini — робототехника и обучение с подкреплением",
      "description": "Демис Хассабис заявил, что Google DeepMind работает над интеграцией Gemini с робототехникой, включая тактильную обратную связь. Технологии AlphaGo (поиск и планирование) будут применены для улучшения рассуждений в будущих версиях модели."
    }
  ],
  "exercises": [
    {
      "goal": "Возьмите одно и то же изображение (фото рабочего стола, блюда или растения) и отправьте его в Google Bard (Gemini Pro) и ChatGPT-4V. Задайте одинаковый вопрос: «Что ты видишь? Опиши детально и дай рекомендации». Запишите ответы в таблицу: точность распознавания, глубина рекомендаций, полезность. Определите, какая модель дала более практичный результат.",
      "title": "Сравнительный анализ мультимодальных возможностей"
    },
    {
      "goal": "Найдите любой график с открытыми данными (например, из отчёта Statista или World Bank). Сделайте скриншот и загрузите в Gemini с запросом: «Какой ключевой вывод из этого графика? Создай таблицу с данными в Markdown». Оцените точность извлечённых данных, сравнив с оригиналом. Запишите процент ошибок.",
      "title": "Тестирование понимания графиков и данных"
    },
    {
      "goal": "Сфотографируйте страницу учебника или рабочую тетрадь с решёнными задачами (можно намеренно допустить ошибки). Загрузите в Gemini и попросите: «Проверь решения, найди ошибки и объясни правильный подход пошагово». Оцените, насколько объяснение понятно для целевой аудитории (школьника, студента). Запишите, какие ошибки модель нашла, а какие пропустила.",
      "title": "Создание образовательного контента с помощью ИИ"
    },
    {
      "goal": "Опишите Gemini задачу: «Создай одностраничное HTML-приложение для [ваша задача: трекер привычек, таймер Помодоро, калькулятор калорий]. Весь код в одном файле, без внешних библиотек. Адаптивный дизайн». Проверьте, работает ли сгенерированный код. Запишите, сколько итераций потребовалось до рабочего прототипа.",
      "title": "Прототипирование интерфейса через ИИ"
    },
    {
      "goal": "Запишите короткое видео (10-30 секунд) выполнения физического упражнения, приготовления блюда или работы с инструментом. Загрузите в Gemini с вопросом: «Что я делаю неправильно? Как улучшить технику?». Сравните ответ модели с советами профессионала из YouTube по этой же теме. Определите, насколько точен и полезен ИИ-анализ.",
      "title": "Оценка видеоанализа на практическом примере"
    },
    {
      "goal": "Выберите узкую тему из своей профессиональной области. Соберите 5-10 PDF-статей. Составьте промпт по образцу из видео: «Прочитай статью и определи, релевантна ли она теме [X]. Если да — извлеки ключевые данные: [перечень полей]». Обработайте все статьи и создайте сводную таблицу. Оцените, сколько времени это сэкономило по сравнению с ручным анализом.",
      "title": "Построение рабочего процесса анализа литературы"
    }
  ],
  "quotes": [
    {
      "text": "Мы всегда знали, что нам нужен более глубокий прорыв для прогресса (We always knew we needed to have a deeper breakthrough to make progress)",
      "author": "Сундар Пичаи"
    },
    {
      "text": "Gemini мультимодальна с самого начала — она может бесшовно вести разговор между модальностями (Gemini is multimodal from the ground up so it can seamlessly have a conversation across modalities)",
      "author": "Google DeepMind"
    },
    {
      "text": "В каждой из 50 предметных областей модель показала результат на уровне лучших экспертов-людей (Each of the 50 different subject areas that we tested on — it's as good as the best expert humans in those areas)",
      "author": "Google DeepMind"
    },
    {
      "text": "Безопасность и ответственность должны быть встроены с самого начала — и в Google DeepMind мы именно так поступили с Gemini (Safety and responsibility has to be built in from the beginning and at Google DeepMind that's what we've done with Gemini)",
      "author": "Google DeepMind"
    },
    {
      "text": "Gemini Ultra превосходит GPT-4 в семи из восьми категорий, что делает её лучшей большой языковой моделью в сфере ИИ прямо сейчас (Gemini Ultra does surpass GPT-4 in seven out of these eight categories which does make it right now the very best large language model)",
      "author": "TheAIGRID"
    },
    {
      "text": "За обеденный перерыв Gemini прочитала для нас 200 000 статей, отфильтровала до 250 и извлекла данные (Over a lunch break Gemini read 200,000 papers for us, filtered it down to 250 and extracted their data)",
      "author": "Тейлор, Google DeepMind"
    },
    {
      "text": "У нас есть одни из лучших в мире экспертов по обучению с подкреплением, которые изобрели многие из этих технологий (We have some of the world's best reinforcement learning experts who invented some of this stuff)",
      "author": "Демис Хассабис"
    },
    {
      "text": "В Google существует здоровое неуважение к невозможному, и это ориентирует нас быть смелыми и ответственными одновременно (At Google there's this healthy disregard for the impossible and that has oriented us to be both bold and responsible together)",
      "author": "Google"
    },
    {
      "text": "Он сказал не «мы улучшим модели», а «мы сделаем инновации» — это значит, что мы увидим что-то принципиально новое (He didn't say that we're going to make these models better — what he said is we're going to be doing Innovations)",
      "author": "TheAIGRID"
    }
  ],
  "full_markdown": "# Google Gemini: полный разбор модели, которая превзошла GPT-4\n\n> Спикер: TheAIGRID | Длительность: 30:43\n\n## Ключевые идеи\n\n1. **Мультимодальность «с нуля»** — Gemini обучена работать со всеми модальностями одновременно (текст, код, аудио, изображения, видео), в отличие от традиционного подхода склейки отдельных моделей.\n\n2. **Три размера для разных задач** — Ultra (максимальная мощность), Pro (баланс для широкого спектра задач), Nano (работа на мобильных устройствах). Каждая — лучшая в своём классе.\n\n3. **Превосходство над GPT-4 в 7 из 8 бенчмарков** — MMLU: 90% vs 86.4%, HumanEval (код): 74.4% vs 67%, GSM8K (математика): 94.4% vs 92%. Единственное исключение — HellaSwag.\n\n4. **Абсолютное лидерство в мультимодальных тестах** — Gemini Ultra опередила GPT-4V во всех тестах изображений. Gemini Pro превзошла OpenAI Whisper V2/V3 в аудио.\n\n5. **Генерация интерфейсов на лету** — модель сама решает, нужен ли UI, пишет PRD, проектирует UX, генерирует Flutter-код и подбирает данные.\n\n6. **32K токенов контекста с 98% точностью** — модель точно извлекает информацию по всей длине контекстного окна.\n\n7. **Нативный анализ видео** — уникальная функция, недоступная в GPT-4. Модель анализирует технику движений, находит ошибки, предлагает улучшения.\n\n8. **200 000 научных статей за обеденный перерыв** — учёные DeepMind автоматизировали литературный обзор: фильтрация, извлечение данных, аннотации, обновление графиков.\n\n9. **Персональный репетитор** — модель читает рукописные ответы, находит ошибки, объясняет пошагово и генерирует персональные задачи.\n\n10. **Консистентная генерация изображений** — создание блог-постов с визуально согласованными иллюстрациями.\n\n11. **Будущее: робототехника + обучение с подкреплением** — интеграция с робототехникой и применение технологий AlphaGo для улучшения планирования и рассуждений.\n\n## Транскрипт\n\n### Анонс эры Gemini\n\nСундар Пичаи и команда Google DeepMind представили Gemini — первую по-настоящему мультимодальную ИИ-модель. Ключевое отличие от конкурентов: Gemini обучена работать со всеми типами данных одновременно, а не является склейкой отдельных моделей для текста, изображений и аудио.\n\nМодель выпущена в трёх размерах: Ultra для сложнейших задач, Pro для повседневного использования, Nano для мобильных устройств. Google подчёркивает, что безопасность встроена в модель на уровне архитектуры — фильтры, классификаторы и политики модерации разработаны для мультимодального контента.\n\n### Демонстрация мультимодальных возможностей\n\nВ живой демонстрации Gemini анализирует объекты в реальном времени: распознаёт рисунки по мере их создания, идентифицирует материалы по звуку (резиновая уточка скрипит — значит, будет плавать), обучает произношению на мандаринском, играет в игры на угадывание и анализирует фокусы с монетами.\n\nМодель демонстрирует пространственное мышление: определяет, какой автомобиль быстрее по аэродинамике дизайна, какие американские горки веселее, и даже распознаёт сцену из «Матрицы» в пантомиме.\n\n### Бенчмарки: цифры превосходства\n\nGemini Ultra обошла GPT-4 в 7 из 8 общих бенчмарков и во всех мультимодальных тестах. Ключевые результаты:\n- MMLU (общие знания): 90.0% vs 86.4%\n- HumanEval (код): 74.4% vs 67.0%\n- GSM8K (математика): 94.4% vs 92.0%\n- Аудио: Gemini Pro > Whisper V2 и V3\n- Видео: 62.7% vs 56.0% (Flamingo)\n\n### Продвинутые рассуждения и генерация интерфейсов\n\nОдна из самых впечатляющих функций — Gemini сама создаёт интерактивные интерфейсы. На примере организации детского дня рождения: модель задаёт уточняющие вопросы, затем генерирует полноценное приложение с темами вечеринок, меню, декором. Каждый клик генерирует новый UI-компонент.\n\nТехнический процесс: модель определяет необходимость UI → оценивает достаточность информации → пишет PRD → проектирует UX → генерирует Flutter-код → подбирает данные и изображения.\n\n### Образование и научные исследования\n\nGemini проверяет домашние задания: читает рукописные ответы, находит ошибки в формулах и расчётах, объясняет правильное решение пошагово и генерирует персональные тренировочные задачи.\n\nДля науки: команда DeepMind обработала 200 000 статей по генетике за обеденный перерыв. Модель отфильтровала 250 релевантных, извлекла данные с аннотациями и обновила графики из оригинального исследования 2022 года.\n\n### Технический отчёт\n\nКонтекстное окно: 32 768 токенов. Точность извлечения информации — 98% по всей длине. Модель интегрирует AlphaCode 2 для генерации кода с поиском и планированием.\n\nУникальные функции: интерливинг изображений и текста с консистентностью персонажей, анализ графиков с извлечением данных в таблицы, анализ видео с конкретными рекомендациями.\n\n### Будущее Gemini\n\nДемис Хассабис анонсировал интеграцию Gemini с робототехникой (тактильная обратная связь) и применение обучения с подкреплением из AlphaGo для улучшения планирования. Ключевое слово — «инновации», а не просто «улучшения», что означает появление принципиально новых возможностей.\n\n## Практические задания\n\n### Задание 1: Сравнительный анализ мультимодальных возможностей\nВозьмите одно изображение и отправьте его в Gemini и ChatGPT-4V с одинаковым вопросом. Сравните ответы по точности, глубине и практичности. Запишите результаты в таблицу.\n\n### Задание 2: Тестирование понимания графиков\nНайдите график с известными данными, загрузите скриншот в Gemini и попросите извлечь данные в таблицу. Сравните с оригиналом и оцените процент ошибок.\n\n### Задание 3: ИИ-репетитор для проверки знаний\nСфотографируйте решённые задачи (с намеренными ошибками), загрузите в Gemini и попросите проверить. Оцените, все ли ошибки найдены и насколько понятны объяснения.\n\n### Задание 4: Прототипирование через ИИ\nОпишите Gemini одностраничное веб-приложение для вашей задачи. Проверьте код в браузере. Запишите количество итераций до рабочего прототипа.\n\n### Задание 5: Анализ видеоконтента\nЗагрузите короткое видео с физической активностью и попросите Gemini проанализировать технику. Сравните с советами профессионала.\n\n### Задание 6: Автоматизация литературного обзора\nСоберите 5-10 статей по профессиональной теме, создайте промпт для фильтрации и извлечения данных по образцу из видео. Оцените экономию времени.\n\n## Лучшие цитаты\n\n> «Мы всегда знали, что нам нужен более глубокий прорыв для прогресса» — Сундар Пичаи\n\n> «Gemini мультимодальна с самого начала — она может бесшовно вести разговор между модальностями» — Google DeepMind\n\n> «В каждой из 50 предметных областей модель показала результат на уровне лучших экспертов-людей» — Google DeepMind\n\n> «Безопасность и ответственность должны быть встроены с самого начала» — Google DeepMind\n\n> «Gemini Ultra превосходит GPT-4 в семи из восьми категорий, что делает её лучшей большой языковой моделью прямо сейчас» — TheAIGRID\n\n> «За обеденный перерыв Gemini прочитала для нас 200 000 статей, отфильтровала до 250 и извлекла данные» — Тейлор, Google DeepMind\n\n> «У нас есть одни из лучших в мире экспертов по обучению с подкреплением, которые изобрели многие из этих технологий» — Демис Хассабис\n\n> «В Google существует здоровое неуважение к невозможному» — Google\n\n> «Он сказал не «мы улучшим модели», а «мы сделаем инновации» — это значит, что мы увидим что-то принципиально новое» — TheAIGRID",
  "youtube_url": "https://www.youtube.com/watch?v=-a6E-r8W2Bs",
  "url": "https://ekstraktznaniy.ru/workbook/651"
}