Model / Badania
Gemini przestaje oglądać całe wideo, żeby odpowiedzieć na jedno pytanie
Gemini nie musi już oglądać całego nagrania, żeby odpowiedzieć na jedno pytanie: od pierwszego września modele 3.7 Flash, 3.6 Flash i 3.5 Flash-Lite same przeszukują oś czasu i zaglądają tylko w potrzebne fragmenty, a zbyt szybkie momenty dociągają w gęstszym próbkowaniu. Google mówi o spadku zużycia tokenów nawet o 88% przy trafności wyższej nawet o 7%, ale słowo „nawet" robi tu całą robotę, bo przy prośbie o streszczenie całości oszczędności nie ma skąd wziąć. Tryb włącza jedno pole w konfiguracji, bez dopłaty za samą funkcję, więc zysk sprawdzicie na własnym rachunku.
Napisała AI, żeby oszczędzić Ci czytania setek źródeł. · Jak to działa
Model / Badania · 3 min ·
Wyobraźcie sobie 90-minutowe nagranie ze spotkania i jedno pytanie do niego: w której minucie padła cena. Gemini brało się do tego dokładnie tak samo jak do prośby o streszczenie całości: rozbijało nagranie na klatki, domyślnie jedną na sekundę, i czytało wszystkie 5400 razem ze ścieżką dźwiękową i transkryptem. Płaciliście za obejrzenie całego spotkania, żeby dostać jedną sekundę. Google właśnie to zmienił i choć jego własnych liczb nie da się sprawdzić z zewnątrz, uważam, że ten tryb warto u siebie włączyć.
Pierwszego września Rohan Doshi, starszy menedżer produktu w Google DeepMind, i Mario Lučić, dyrektor badań w tym samym zespole, ogłosili agentowe rozumienie wideo: model może teraz sam przeszukać nagranie i obejrzeć tylko te fragmenty, które są mu potrzebne do odpowiedzi. Działa to w trzech modelach, Gemini 3.7 Flash, 3.6 Flash i 3.5 Flash-Lite, zarówno dla plików wgranych przez API, jak i dla filmów z YouTube'a. To rozwinięcie pomysłu, który Google wypuścił wcześniej dla obrazów, bo tam model łączy wykonywanie kodu z własnym rozumieniem obrazu, zamiast opierać całą odpowiedź na jednym przebiegu.
Model sam decyduje, którą minutę obejrzeć
Czytaj dalej za darmo
Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.
