上海
在前段时间的谷歌 I/O 2024大会上，谷歌推出了最新的AI模型——Gemini 1.5 Flash。这款模型不仅轻量高效，还具备强大的多模态处理能力，能够同时处理文本、图像、音频和视频。
Gemini 1.5 Flash 具有以下几个显著特点：
高速响应：优化后的架构使其在处理大量数据时能迅速响应。
长上下文窗口：支持长达两百万标记的上下文处理，使其能够应对复杂的任务，如长视频分析和多章节文档生成。
多模态处理：不仅能处理文本，还能对图像、音频和视频进行深入分析和理解。
接下来，让我们通过具体场景测评来看看 Gemini 1.5 Flash 的实际表现如何。
场景1：科普撒切尔效应
最近无意中看到一个有趣的图像实验，看看 Gemini 1.5 Flash 怎么说。
Gemini 1.5 Flash 不仅识别出了“撒切尔效应”，而且详细说明了效应的机制和历史背景，并给出了具体的观察指导。
但它没有提供实际图像示例，可能不太直观。
（ 撒切尔效应：这是一个视觉错觉。当图像颠倒时，脸看起来正常，但正过来时，脸会显得怪异。这个效应展示了大脑处理面部信息的方式。）
当我再问它“能否反向输出图像”时，它回答：No！
也就是说Gemini 1.5 Flash 目前不具备多模态输出能力。
撒切尔效应揭秘时刻：
再用视频版输入分析一下，看它能读出什么内容：
在第二次视频分析的回答中，Gemini 1.5 Flash 依旧能够清晰地识别出撒切尔效应，通过科学原理解释了为何颠倒的脸看起来正常，而正过来后显得奇怪，尤其是眼睛和嘴巴。
撒切尔效应揭秘时刻：
体验网址： https://optical.toys/thatcher-effect/
小结一下，Gemini 1.5 Flash 在没有文字提示的情况下，只是通过图片和视频输入来分析，便能做到回答科学详尽、逻辑清晰，这一点上不得不说做的很不错。
但是回答中没有提供具体的图片示例，这一点对于多模态模型是一个硬伤！
场景2：教我玩游戏！
既然 Gemini 1.5 Flash 视频分析能力比较强，把这个游戏的视频发给它，看它能否带我们成功通关。
游戏地址： https://clicking.toys/flip-grid/neat-nine/3-holes/
我按照它的方式疯狂“点击”一分钟，没啥结果。
然后我再把刚刚玩的过程录制的视频传给它，看看它怎么接招。
按照它教的我玩了两次，但还是失败了（感觉它开始出错了）。我姑且再信它一次，接着再问它说怎么玩。
果不其然，Gemini 1.5 Flash 承认自己的步骤有错误，让我多多尝试。
到这里，会发现 Gemini 1.5 Flash 能够通过视频教会我玩这个游戏，它能够处理视频输入，生成详细且准确的指示和解释
虽然它能提供详尽的回答，但在初次给出错误步骤后未及时修正，需更好地校验信息准确性。但对于一些复杂问题的解答，可能需要进一步简化说明，使其更加易于理解。
场景3：看图讲故事
讲真，Gemini 1.5 Flash 的响应速度极快，它能够快速生成内容和处理多模态输入，很大程度上保证了用户体验的流畅性，这是最直观的一个感受。
让它看图讲故事。它直接根据图片内容在5秒钟之内就生成了一个完整的故事（故事还带有哲理性和反转性），这理解能力也是极强了，而且还是中文故事。
图片来源于网络
故事1：儿童绘本
让它继续写一个，生成的故事风格都不带重样的，现代都市风、未来科技风啥啥都有，关键是效果还不错。
故事2：现代都市风
故事3：未来科技风
我们知道 Gemini 1.5 Flash 的长上下文窗口是其特征之一，允许模型在较长的对话和故事创作中保持连贯性和一致性。那我们再来让它一口气写一万字的故事效果怎么样。
对话图片太长，附上完整对话测试地址：
https://poe.com/s/LpECJTyvIQJqlo3FFf8q
例如，让 Gemini 1.5 Flash 生成一个“关于人类探险队发现新星球并与原住民互动的复杂故事”，
它能在10s左右生1万字故事的内容大纲，并分好章节，有每一章的简单介绍，很有条理。
它能在3～5分钟内生成1万字故事每一章的详细内容（手动输入不友好），同时能够有效保持前后文的一致性，确保故事情节流畅，细节丰富。
这些特性对于需要处理大量背景信息的任务，如技术文档编写、深入对话、故事创作灵感激发都非常有用。
但美中不足的是，它不能自动连续生成输出所有的5章故事，需要手动速入指令才会进行下一步，这一点跟 ChatGPT-4o 比起来在用户体验上还是差点意思。
这么来看，Gemini 1.5 Flash 还是有点东西的！根据图像生成相关的故事情节，比如一口气连续生成故事情节连贯的故事，而且生成文本内容质量相对较高，对于中文的理解也很不错。看来是有真本事的！
场景4：这个视频讲了什么？
我们上传一个短视频，视频详细演示了在 Midjourney--cw这一参数的用法及其对图像效果的影响。
视频源于网络
我们看看 Gemini 1.5 Flash 怎么说。
Gemini 1.5 Flash 不仅可以识别出视频的主要是讲啥的，而且分析出视频中上下左右每个图片的具体内容，比如通过旋转参数的调整，可以看到图像中卡通老人的姿态发生变化，分析效果直观明了。 但同样的问题问 ChatGPT，视频针对于视频的分析并不能直接分析，反而回答提取一帧一帧的画面进行分析，我们还是期待一下 GPT-4o 的更新吧。
问到背景音乐是什么，基本歇菜了，只能是
场景5：这本书值不值得买？
把《这就是 ChatGPT》的实拍图丢给 Gemini 1.5 Flash，问它好不好，值不值得读，看它怎么推荐。
它回答的速度倒是挺快识别出了书籍作者，但说原作者是 sam altman，这就开始妥妥的幻觉了，同时也缺少具体价格信息。
再问它具体讲了什么内容：
在第二问中 Gemini 1.5 Flash 开始一本正经胡说八道了。
这本书到底讲了啥内容，目录在这儿了。
书籍《这就是ChatGPT》目录
单凭一张图让 Gemini 1.5 Flash给出一本书的详细内容是不现实的。因为它 在图片信息过多的时候，非常容易产生幻觉，混淆信息，产生误导，总之对于AI，依旧要持批判态度，不可轻信。
最后在这个“什么都快”的时代，Flash 真是名不虚传，生成的内容又快又好。
无论是识别和解释撒切尔效应的图像，还是通过视频教学指导游戏，Gemini 1.5 Flash 都展现了强大的分析能力和高效的处理速度。对于文字、图片、视频的分析理解能力又上了一层楼。
但同时 Gemini 1.5 Flash 也有自己的局限，多模态输出能力欠佳。
在图片测试中，Gemini 1.5 Flash 不能直接生成图片，这一点得向 ChatGPT-4o 学习学习。
在视频测试中，Gemini 1.5 Flash 虽然能识别视频中的主要内容和画面细节，但在处理音频输入时还有些不足，这在多模态输出方面也体现出来。
话说回来，Gemini 1.5 Flash 本就是是一款轻量级且高效的多模态 AI 模型，它不仅能处理复杂的多模态输入，还能在多种应用场景中快速、准确地响应。能有这样的水准已经超乎我的意料了！
未来，随着技术的进步，期待 Gemini 系列模型在更多领域大展身手，甚至成为我们日常生活中的得力助手。 想象一下，有一天它可能会帮你完成所有的作业呢！
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
