Google Gemini是Google最新发布的大模型系列。这是一系列的多模态的大模型，谷歌官方宣布在各项评分中Gemini超过了GPT-4V。但是，谷歌的宣传视频被很多人质疑造假嫌疑，导致被全网嘲讽。而今天，Google官方的Gemini多模态接口开放，DataLearnerAI第一时间申请测试，结果让人惊喜，结论就是Gemini的多模态能力很强。

Google的Gemini简介

Gemini模型是一个系列模型，包含三个不同参数规模的4个模型。

根据官方的提示，这四个模型均为多模态大模型。在今天，Google的Pro版本的多模态接口已经开放，Gemini Pro可以根据输入的视频、图片以及图文混合指令生成文本内容。

DataLearnerAI本次测试的能力包括手写文本识别、图片文本信息json化抽取、视频描述、基于图文few-shot的图片理解几个内容。

手写文本识别

在这个测试中，我们分别用Gemini识别提取图片中手写的文本内容，结果发现英文效果不错，但是中文识别不够（其实难度也很高）。

这是在手机上手写的一个中文结果，最终Gemini返回的如下：

可以，看到漏掉了几个字。但是如果换成英文，则效果不错：

图片信息json格式化提取

在这个测试中，我们从HKT官网截取了一段运营商套餐费用信息，然后使用Gemini提取图片信息，并用json返回，信息提取非常准确，而且可以识别是三个不同的套餐，进而生成了一个数组，包含了三组json：

可以看到，尽管这个图片信息密集，但是Gemini可以准确识别其中的逻辑结构，并分组输出。

基于图文few-shot的图片理解

这个测试非常有意思，是一个多模态few-shot案例。就是你先给出2个图文关系，每一个都是一幅图+一个json输出。相当于有2个示例，然后给Gemini一个新的图片，Gemini可以自动理解前面的图文关系，生成新的json文本。在这个测试中，DataLearnerAI先给出了2组图片，分别是睡觉的猫咪和奔跑的狗狗，图是Google截图，类似如下的输入：

[cat.jpg]
{"object":"cat", "status":"sleeping"}

[dog.jpg]
{"object":"dog", "status":"running"}

[tiger.jpg]

最终谷歌的Gemini准确输出了一个在吃东西的老虎。

识别图片中人物（男孩女孩）的数量

这个测试中，我们先用ChatGPT生成了一组在“快乐”加班的人，然后让Gemini数这图中有多少人。

emmm，图片的人很快乐，但是多少人虽然看不太清楚，如果远处的人也算的化，应该是不止35个的。而ChatGPT认为只有20个人！

接下来，我们继续做了一个测试，输入一个图片，让Gemini用json返回图片中男孩和女孩的数量：

这个结果没有问题！

基于视频生成旅游描述

这一段测试主要是上传了几十秒的南京城市宣传片，让​Gemini基于这个宣传片生成一份旅游广告的描述。根据官网的描述，Gemini可以理解视频描述的是什么，里面的人有什么动作或者在做什么，甚至基于​视频生成广告描述。但是，我们测试了很多次，该接口都测试失败，遂放弃。

Gemini多模态能力总结

尽管测试不太完美，视频无法处理，但是总体来说还是要比想象好很多，这个能力比目前GPT-4V官方的web版本好用很多，也很准确。而且从实测结果看，可用性很高。值得推荐~