谷歌正凭借旗舰级生成式AI模型Gemini掀起波澜。但Gemini究竟是什么？如何使用？它与ChatGPT、Llama及Copilot等工具相比如何？为助你掌握最新动态，我们整理了这份实用指南，并将随新模型、功能及新闻发布持续更新。
什么是Gemini？
Gemini是谷歌下一代生成式AI模型家族，由DeepMind和Google Research联合开发，包含多个版本：
- Gemini Ultra：超大参数模型。
- Gemini Pro：大参数模型（小于Ultra）。最新版Gemini 2.0 Pro为当前旗舰产品。
- Gemini Flash：更快、经“蒸馏”处理的Pro版本。
- Gemini Flash-Lite：体积更小、速度更快的Flash版本。
- Gemini Flash Thinking：具备“推理”能力的模型。
- Gemini Nano：两款小型模型（Nano-1及能力稍强的Nano-2），支持离线运行。
所有Gemini模型均采用原生多模态训练，可处理文本以外的多种数据。模型在公开、专有及授权数据上预训练和微调，涵盖音频、图像、视频、代码库及多语言文本。
这使其区别于仅用文本训练的LaMDA。最新Gemini Flash和Pro版本可原生输出图像和音频，不仅限于文本。
需注意，在公共数据上训练模型存在道德和法律不确定性，数据所有者可能在不知情下被使用。Google虽有AI赔偿政策保护部分Cloud客户，但含例外情况。若计划将Gemini用于商业用途，请谨慎行事。
Gemini应用与Gemini模型的区别
Gemini模型与网页/移动端的Gemini应用（前身为Bard）截然不同。Gemini应用是连接各模型的客户端，构建类聊天机器人界面，类似于ChatGPT和Claude应用。
网页版Gemini位于官网；Android端Gemini应用取代Google Assistant；iOS端则由Google和Google Search应用充当客户端。
Android用户可调出Gemini覆盖层询问屏幕内容（如YouTube视频），通过长按电源键或说“Hey Google”召唤。
Gemini应用支持图像、语音命令、文本及文件上传（如PDF），并可生成图像。同一Google账户下，移动端与网页版对话无缝同步。
Gemini Advanced
除Gemini应用外，AI功能正逐步融入Gmail、Docs等核心服务。需订阅Google One AI Premium计划（月费20美元）方可使用，该计划提供Workspace应用中的Gemini访问权限，并启用Gemini Advanced，引入更先进模型。
Gemini Advanced额外福利包括：优先体验新功能/模型；直接在Gemini中运行编辑Python代码；提高NotebookLM使用限制。新增记忆功能可存储偏好并引用过往对话作为上下文。
独家功能Deep Research利用高级推理模型创建详细简报。针对提示词（如“如何重新设计厨房？”），它会制定多步骤研究计划并搜索网络，生成全面答案。
Gmail、Docs、Chrome及开发者工具中的Gemini
Gemini已深度集成多项服务：
- Gmail：侧边栏撰写邮件、总结消息线程。
- Docs：侧边栏辅助写作、完善内容及头脑风暴。
- Slides：生成幻灯片和自定义图片。
- Sheets：跟踪组织数据、创建表格公式。
- Maps：汇总企业评论、推荐行程。
- Drive：总结文件文件夹、提供项目快速事实。
Gemini以AI写作工具形式登陆Chrome浏览器，可创作或重写文本，并结合当前网页提供建议。
此外，Gemini还应用于数据库产品、云安全工具、Firebase及Project IDX等平台；在Photos中处理自然语言搜索；在YouTube中构思视频创意；在Meet中翻译字幕。
Code Assist（原Duet AI for Developers）利用Gemini辅助代码补全生成。Threat Intelligence等安全产品也借助Gemini分析恶意代码，支持自然语言搜索威胁指标。
Gemini扩展程序和Gems
Gemini Advanced用户可创建Gems，即由Gemini驱动的自定义聊天机器人（桌面/移动端通用）。可通过自然语言描述生成（如“你是我的跑步教练，制定每日计划”），支持共享或私密保存。
Gemini应用通过“Gemini扩展程序”接入Drive、Gmail、YouTube等服务，响应如“总结最近三封邮件”等查询。
Gemini Live深度语音聊天
Gemini Live支持“深入”语音聊天，适用于移动端Gemini应用及Pixel Buds Pro 2，锁屏状态下也可访问。
启用后，用户可在AI说话时打断提问，Live会实时适应说话模式。它还可充当虚拟教练，协助活动准备、头脑风暴（如面试技能突出、演讲技巧等）。
详见我们的Gemini Live评测。
面向青少年的Gemini
Google为学生提供专属青少年版Gemini，配备额外政策保障、定制化引导流程及AI素养指南。功能与标准版基本一致，含“双重检查”功能，跨网验证回答准确性。
Gemini模型能做什么？
作为多模态模型，Gemini可执行语音转录、实时音视频字幕等多种任务，许多功能已落地，更多即将推出。
需注意，生成式AI仍存在偏见和幻觉等根本问题，Gemini亦不例外。使用前请务必考量。
Gemini Pro的能力
最新Gemini 2.0 Pro在编码和复杂提示方面表现最佳，编程、推理、数学及事实准确性基准测试优于1.5 Pro。
Vertex AI平台支持通过微调或“接地”定制Pro模型，可接入Moody’s、Thomson Reuters等第三方数据或企业数据集，减少依赖通用知识库。还可连接外部API执行自动化工作流。
AI Studio提供结构化聊天提示模板，开发人员可控制创意范围、设定语气风格并调整安全设置。
Gemini Flash轻量高效，Flash Thinking增强推理
Gemini 2.0 Flash支持调用Search等工具及外部API，编码和图像分析基准测试优于部分1.5大模型。作为Pro分支，它小巧高效，专为高频负载设计。
Flash适合摘要、聊天、音视频字幕及长文档/表格数据提取。其紧凑版2.0 Flash-Lite性能优于1.5 Flash，价格速度持平。
2023年12月发布的Gemini 2.0 Flash Thinking版具备“推理”能力，回答前会逆向分析问题，提升可靠性。
Gemini Nano可在手机本地运行
Gemini Nano精简高效，可直接在设备端运行，无需服务器。目前支持Pixel 8/9系列及Samsung Galaxy S24，提供Recorder摘要、Gboard智能回复等功能。
Recorder可录制转录音频并生成摘要，无网可用且数据不出手机，保障隐私。
Gboard中Nano支持WhatsApp等应用的智能回复建议。未来Android版本将利用Nano提醒通话诈骗风险。Pixel天气应用用Nano生成定制报告；TalkBack无障碍服务则用其为视障用户描述物体。
Gemini Ultra暂缺
Gemini Ultra近期未在应用中提供，也未列于API定价页，但不排除未来重新推出的可能。
Gemini模型收费
Gemini 1.5 Pro、1.5 Flash、2.0 Flash及2.0 Flash-Lite可通过API按量付费构建应用。截至2月25日基础定价如下（不含附加功能）：
- Gemini 1.5 Pro：输入令牌≤128K为$1.25/百万，>128K为$2.50/百万；输出令牌≤128K为$5/百万，>128K为$10/百万。
- Gemini 1.5 Flash：输入令牌≤128K为$0.075/百万，>128K为$0.15/百万；输出令牌≤128K为$0.30/百万，>128K为$0.60/百万。
- Gemini 2.0 Flash：输入令牌$0.40/百万，输出令牌$0.10/百万；音频输入$0.70/百万。
- Gemini 2.0 Flash-Lite：输入令牌$0.075/百万，输出令牌$0.30/百万。
令牌是数据细分单元（如“fantastic”分“fan”“tas”“tic”），100万令牌≈75万单词。“输入”指喂入模型的令牌，“输出”指生成的令牌。
2.0 Pro定价未公布，Nano仍处早期访问阶段。
Gemini会登陆iPhone吗？
可能性较大。苹果正洽谈将Gemini等第三方模型用于Apple Intelligence。WWDC 2024后，苹果高管证实合作计划，但未透露细节。
本文最初发布于2024年2月16日，并定期更新。