近日，科技巨頭谷歌在AI領域再度邁出重要步伐，正式向全球180多個國家和地區推出其備受期待的Gemini 1.5 Pro模型。該模型不僅繼承了Gemini系列的一貫優秀表現，還在原有基礎上實現了重大升級，特別新增了音頻理解能力，并引入了系統指令和JSON模式等新功能，為開發者提供了更為強大和靈活的控制手段。
據悉，Gemini 1.5 Pro模型自兩個月前在Google Ai Studio中供部分開發者測試以來，就憑借其1M上下文窗口的出色性能和原生的音頻理解能力受到了廣泛關注。此次全球范圍內的正式推出，無疑將進一步推動AI技術在各個領域的應用和發展。
在音頻理解方面，Gemini 1.5 Pro模型實現了對上傳的視頻圖像（幀）和音頻（語音）的推理能力，這一功能的解鎖為音頻和視頻處理領域帶來了新的用例和可能性。開發者可以通過Google Ai Studio和Gemini API調用該模型，對音頻和視頻數據進行深度分析和處理，從而開發出更加智能和高效的應用。
此外，Gemini 1.5 Pro模型還新增了系統指令功能，允許開發者通過定義角色、格式、目標和規則等方式，對模型的響應進行精確指導。這一功能的引入將極大地提高模型的可控性和適應性，使得開發者能夠針對不同用例對模型進行更加精準的引導。
同時，為了滿足開發者對結構化數據的需求，Gemini 1.5 Pro模型還支持JSON模式輸出。在JSON模式下，模型僅輸出為JSON對象，便于從文本或圖像中提取結構化數據。開發者可以使用cURL進行調用，后續還將支持Python SDK，進一步簡化了數據處理的流程。
在函數調用方面，Gemini 1.5 Pro模型也進行了改進。開發者現在可以選擇不同的模式來限制模型的輸出，從而提高輸出的可靠性和準確性。無論是選擇文本、函數調用還是僅函數本身等模式，都能根據具體需求進行靈活調整。
除了上述功能升級外，谷歌還推出了下一代文本嵌入模型text-embedding-004/text-embedding-preview-0409。據谷歌稱，該模型在MTEB基準測試中實現了更強的檢索性能，并且優于具有可對比緯度的現有模型。這一新嵌入式模型的推出將為文本處理和分析提供更加高效和精準的工具。
總的來說，Gemini 1.5 Pro模型的推出標志著谷歌在AI技術領域的又一次重要突破。通過新增音頻理解、系統指令和JSON模式等功能，該模型為開發者提供了更加強大和靈活的控制手段，將有望推動AI技術在各個領域的應用和發展。未來，我們期待看到更多基于Gemini 1.5 Pro模型的創新應用和產品問世，為人類生活帶來更多便利和驚喜。
原創文章，作者：Google，如若轉載，請注明出處：http://www.bdzhitong.com/article/645877.html
