Gemini 1.5 Flash：Google 对 GPT-4o 的回应？
AI 竞赛日益激烈，成为科技巨头之间的追逐游戏。GPT-4o 在 Google I/O 之前推出，其多模态（或称全模态）功能惊人，对生成 AI 竞赛产生了重大影响。然而，Google 也不甘示弱。在 Google I/O 期间，他们宣布了新款的 Gemini 和 Gemma 模型。其中，Gemini 1.5 Flash 脱颖而出，成为最具影响力的模型。在本文中，我们将探讨 Gemini 1.5 Flash 的顶级功能，并与 Gemini 1.5 Pro 进行比较，以确定哪个更佳。
价格和基准
根据 Google 公布的基准分数，Gemini 1.5 Flash 在音频性能上优于 Google 的所有其他大型语言模型（LLM），并且在其他基准上与即将推出的 Gemini 1.5 Pro（2024 年 2 月）模型相当。尽管我们不建议完全依赖基准来评估任何 LLM 的性能，但它们有助于量化性能差异和小幅升级。
Gemini 1.5 Flash 价格
一个不容忽视的问题是 Gemini 1.5 Flash 的成本。相比 GPT-4o，Gemini 1.5 Flash 更加实惠。
- Gemini 价格
| 输入 | 输出 | |
|---|---|---|
| $0.35 / 100 万 tokens（128k down） $0.70 / 100 万 tokens（128k up） |
$1.05 / 100 万 tokens（128k down） $2.10 / 100 万 tokens（128k up） |
- GPT 价格
| 输入 | 输出 | |
|---|---|---|
| $5.00 / 百万 tokens | $15.00 / 百万 tokens |
上下文窗口
与 Gemini 1.5 Pro 一样，Flash 具有 100 万个 token 的上下文窗口，这比任何 OpenAI 模型都大，是生产级 LLM 中最大的上下文窗口之一。更大的上下文窗口允许更多的数据理解，并可以通过增加块大小来改进第三方技术（如 RAG，检索增强生成）在大型知识库中的应用。此外，更大的上下文窗口允许生成更多文本，这在撰写文章、电子邮件和新闻稿等场景中非常有用。
多模态功能
Gemini 1.5 Flash 是多模态的。多模态允许以音频、视频、文档等形式输入上下文。具有多模态的 LLM 更加多才多艺，打开了生成 AI 应用的更多大门，而无需任何预处理。
Gemini 1.5 模型可以处理非常长的上下文，这种规模在当代大型语言模型（LLM）中是前所未有的，使其能够处理包括整个文档集、数小时视频和近五天音频的长篇混合模态输入。
多模态的应用
多模态功能还允许我们将 LLM 作为其他专业服务的替代品。例如，OCR 或网页抓取。
速度
顾名思义，Gemini 1.5 Flash 在响应时间方面设计具有优势。例如，上述网页抓取示例中，响应时间约为 2.5 秒，几乎快 40%，使得 Gemini 1.5 Flash 成为自动
