Ein Aspekt unseres Gemini 3 Pro Modells, den man betrachten sollte, ist, wie es in multimodalen Fähigkeiten abschneidet. Wir haben daran gearbeitet, es in einer Vielzahl von multimodalen Anwendungsfällen wirklich gut funktionieren zu lassen, wie zum Beispiel beim Verständnis von Dokumenten, Videos, räumlichen Eigenschaften, biomedizinischen Daten und Computerbildschirmen, und in der Lage zu sein, über visuelle Informationen nachzudenken. Um es auszuprobieren, habe ich das ursprüngliche Bild aus dem Blogbeitrag unten gegeben und gefragt: Bitte erstellen Sie eine Version dieser Abbildung mit der Gemini Pro-Spalte, die mit der relativen Verbesserung im Vergleich zum besten Ergebnis aus den anderen drei Spalten in Rot annotiert ist. (Das ist an sich eine ziemlich schwierige visuelle Denkaufgabe! Es hat bei einigen Stichproben ziemlich gut abgeschnitten, und diese relativen Genauigkeitsverbesserungen sind über einige der Benchmarks hinweg ziemlich groß!) Lesen Sie mehr unten oder im Blogbeitrag unter: