就在国内各家大模型厂商趁年底疯狂卷的时候，太平洋的另一端也没闲着。
就在今天，谷歌发布了 Gemini 2.0 Flash Thinking 推理模型的加强版，并再次登顶 Chatbot Arena 排行榜。
谷歌 AI 掌门人 Jeff Dean 亲发贺信：「我们在此实验性更新中引入了 1M 长的上下文，以便对长篇文本（如多篇研究论文或大量数据集）进行更深入的分析。经过不断迭代，提高可靠性，减少模型思想和最终答案之间的矛盾。」
试用链接：https://aistudio.google.com/prompts/new_chat
让我们回忆一下：2024 年 12 月 20 日，横空出世的 Gemini 2.0 Flash Thinking，曾让 OpenAI 的十二连发黯然失色。
Gemini 2.0 Flash Thinking 基于 Gemini 2.0 Flash，只是其经过专门训练，可使用思维（thoughts）来增强其推理能力。发布之初，这款大模型就登顶了 Chatbot Arena 排行榜。
在技术上，Gemini 2.0 Flash Thinking 主要有两点突破：可处理高达 1M token 的长上下文理解；能在多轮对话和推理中自我纠错。
Gemini 2.0 Flash Thinking 的一大亮点是会明确展示其思考过程。比如在 Jeff Dean 当时展示的一个 demo 中，模型解答了一个物理问题并解释了自己的推理过程，整个过程耗时 1 分多钟。
而另外一位研究者表示，Gemini-2.0-Flash-Thinking-Exp-01-21 这款最新模型的实际体验比 Jeff Dean 描述的还要快。
再看 Gemini 2.0 Flash Thinking 的成绩，那也是相当亮眼，和前两代 Gemini 1.5 Pro 002、Gemini 2.0 Flash EXP 相比，Gemini 2.0 Flash Thinking 在 AIME2024（数学能力测试）、GPQA Diamond（科学能力测试）和 MMMU（多模态推理能力）进步迅速，特别是数学成绩，提升了 54%。
从折线图来看，即使是比较对象是一个月前的自己，也取得了显著的提升。
与此同时，在 AGI House 举办的活动中，Jeff Dean 和研究科学家 Mostafa Dehghani 透露了更多 Gemini 2.0 Flash Thinking 和 Gemini 2.0 的细节。
进入 Gemini 2.0 Flash Thinking 的互动界面，可以发现谷歌把 Gemini 系列所有模型都放在了这个称为「Google AI Studio」的界面。
从左侧的菜单来看，我们可以在这里一站式地获得 API 密钥、创建提示词、访问实时对话、开发 APP。平台还提供了模型调优、资源库管理、Drive 访问集成等进阶功能，并配备了提示词库、API 文档、开发者论坛等支持资源。
但这个界面上的功能就像「集市」一样分散，藏得比较深的功能入口似乎并不用户友好，也缺乏介绍模型能力的文档。Jeff Dean 对此表示，当模型不再是实验版而是正式发布时，谷歌将提供完整的技术报告，他们现在的主要目标是让用户试用，再根据更多反馈改善。
Gemini 2.0 Flash Thinking 的互动界面
此外，谷歌的开发理念更偏向「全面均衡」。「我们不希望模型在某些领域特别突出，而其他领域表现欠佳 —— 比如在读 X 射线时表现出色，但解读核磁共振时却很糟糕。」Jeff Dean 补充道：「我们的目标是打造一个真正有实力的通用模型，能够完成用户期待的各类任务。这需要持续改进：我们会收集用户反馈，了解模型在哪些方面做得好，哪些方面做得不够好。然后，获取更多人们关心的数据来提升，确保模型在各个方向都有进步，而不是局限在某个小范围内 —— 虽然在数学等特定领域，有时也会进行专门优化。」
Gemini 2.0 Flash Thinking 主推的亮点是超长的上下文窗口。不过，众所周知，很多具备长上下文窗口能力的 AI 模型都有个通病：聊着聊着就「变傻」了，说的话前言不搭后语，或者就直接「摆烂」，跳过上下文中的大段信息。
Jeff Dean 表示，Gemini 2.0 Flash Thinking 真正能做到在对话过程中保持连贯的思维，并灵活运用之前积累的信息来完成当前的任务。因相比混合在一起的数千亿训练数据，上下文窗口的信息对于模型来说非常清晰，因此，上下文窗口的信息对于 Gemini 2.0 Flash Thinking 来说，就像你让把一张普通轿车的图片改成敞篷车一样，模型能准确理解每个像素，然后一步步完成修改。
而从下面这个 demo 来看，Gemini 2.0 理解多模态的能力已经跃升了一个台阶。它可以根据语音提示，实时改变这三个小圆的排布，排成一行放在界面顶部，或者排列成一个雪人。更夸张的是，Gemini 2.0 对语音、视觉和动作的融会贯通已经达到了你说想要紫色的圆，它知道要把红色和蓝色的圆重叠在一起调色的境地。
想要如此精准地理解网页界面的布局和内容，需要强大的边框识别能力。Jeff Dean 揭秘，这来自 Project Mariner。Project Mariner 是一个研究性的实验项目，旨在探索人类将如何与 AI 智能体互动，第一步就是让 AI 理解并操作网页浏览器。
Project Mariner 的能力类似于 Claude 的「computer use」，可以实时访问用户的屏幕，理解浏览器中图像的含义。
传送门：https://deepmind.google/technologies/project-mariner/
当被问及 Gemini 系列模型是否要向更多模态进发时，Jeff Dean 的回答是：目前谷歌正在瞄准 3D 数据，而且已经有了很好的结果。
看来谷歌还攒了不少存货，下一个突破会在哪个领域？让我们拭目以待。
