Google объявил о выпуске Gemini 2.0 — новой версии своей языковой модели

Google объявил о выпуске Gemini 2.0 — новой версии своей языковой модели, которая теперь умеет не только понимать мультимодальный ввод (текст, изображения, видео, аудио), но и генерировать изображения и речь. Кроме того, модель получила встроенную возможность использовать инструменты вроде Google Search и выполнять код.

Самое интересное — Google начал активно экспериментировать с "агентным" подходом, то есть с системами, которые могут самостоятельно выполнять задачи от имени пользователя. Показали несколько прототипов:
- Project Astra — универсальный ассистент для смартфонов (и, возможно, очков)
- Project Mariner — агент для браузера, который может выполнять задачи в web-интерфейсах
- Jules — помощник для разработчиков, интегрированный с GitHub.

Пока всё это доступно только разработчикам и доверенным тестировщикам, широкий релиз планируется в начале следующего года. Интересно, что Google специально подчеркивает внимание к безопасности — например, браузерный агент может работать только в активной вкладке и требует подтверждения для важных действий вроде покупок.

Gemini 2.0 Flash уже доступна в интерфейсе пользователей с предупреждением, что это экспериментальная модель. Более того, она уже добралась до третьего места в ChatBot Arena, где на первом уже несколько дней находится экспериментальная Gemini Exp 1206. Я при этом как-то не могу распробовать эти модели — какого-то суперпрогресса по сравнению с исправно кодящим Claude 3.5 Sonnet не ощущается. Говорят, правда, что можно соптимизировать модель так, чтобы она зажгла в сравнении на Chatbot Arena, но вряд ли Google будет таким заниматься.

Просмотр ссылок доступен только зарегистрированным пользователям

На прошлой неделе CEO Google Сундар Пичаи провел встречу с сотрудниками, где обозначил 2025 год как "критически важный" для компании. Он призвал "осознать срочность момента" и необходимость двигаться быстрее перед лицом растущей конкуренции, особенно в сфере AI.

Компания сталкивается с серьезным давлением — антимонопольные иски требуют отделения браузера Chrome, а новые AI-конкуренты, как OpenAI и Perplexity, угрожают доминированию Google в поиске. При этом сам Пичаи признал, что Google пришлось догонять конкурентов в сфере AI, хотя "не обязательно быть первым, но нужно выполнять все наилучшим образом".

Основной фокус в 2025 году будет на масштабировании приложения Gemini, которое компания видит своим следующим продуктом с полумиллиардной аудиторией. Демис Хассабис из DeepMind рассказал о планах создания универсального ассистента, который сможет "беспрепятственно работать в любой области, с любыми модальностями и на любых устройствах".

Интересно, что Пичаи несколько раз напомнил сотрудникам о необходимости оставаться "экономными" — после сокращения 6% штата в 2023 году компания продолжает фокусироваться на эффективности. "Не все проблемы решаются увеличением численности персонала", — отметил он, ссылаясь на основателей Google, которые "были очень экономными в каждом решении".

Просмотр ссылок доступен только зарегистрированным пользователям

Google запускает Gemini 2.5 Flash Image, чтобы  бросить вызов ChatGPT

Google официально представила значительное обновление своего редактора изображений на основе искусственного интеллекта Gemini, введя новые функции, которые делают его прямым конкурентом ChatGPT от OpenAI и других ведущих платформ для генерации изображений с помощью ИИ. Обновление под названием Gemini 2.5 Flash Image было выпущено во вторник и обеспечивает повышенную точность редактирования при сохранении консистентности персонажей — ключевой слабости конкурирующих моделей.

Новая модель представляет собой последнюю попытку Google догнать господство OpenAI в области генерации изображений с помощью искусственного интеллекта. Согласно судебным документам, опубликованным в апреле 2025 года, ChatGPT сохраняет значительное преимущество с примерно 600 миллионами ежемесячных активных пользователей по сравнению с 350 миллионами у Gemini. Тем не менее, Google, похоже, предпринимает стратегические шаги для сокращения этого разрыва.

Обновление выходит из подразделения DeepMind компании Google и основывается на существующих возможностях искусственного интеллекта компании по созданию изображений. Что отличает эту модель — это её способность сохранять черты лица, характеристики животных и другие визуальные детали при внесении изменений — область, в которой ChatGPT и другие конкуренты часто испытывают трудности. Например, при просьбе ChatGPT изменить цвет рубашки часто возникают искажённые лица или изменённые фоны, тогда как новый редактор Gemini поддерживает визуальную согласованность.

Модель уже вызвала значительный ажиотаж под своим тестовым кодовым именем «nano-banana», которое появилось анонимно на LMArena, платформе для оценки моделей ИИ с краудсорсингом. Генеральный директор Google DeepMind Демис Хассабис даже присоединился к рекламной кампании, опубликовав микроскопическую фотографию банана с подписью «странный объект замечен под микроскопом на выходных в лаборатории».

Николь Брихтова, руководитель продукта визуальных генеративных моделей в Google DeepMind, подчеркнула ориентированный на потребителя дизайн модели в интервью TechCrunch. Новые возможности включают многократное редактирование, позволяющее пользователям последовательно вносить изменения без необходимости начинать сначала, а также смешивание дизайнов, которое применяет стилистические элементы одного изображения к объектам на другом.