视觉错觉也能识别？被忽略的 Gemini 1.5 Flash 有哪些神奇表现？｜AI 鲜测

• 高速响应：优化后的架构使其在处理大量数据时能迅速响应。

• 长上下文窗口：支持长达两百万标记的上下文处理，使其能够应对复杂的任务，如长视频分析和多章节文档生成。

• 多模态处理：不仅能处理文本，还能对图像、音频和视频进行深入分析和理解。

  
  

场景1：科普撒切尔效应

最近无意中看到一个有趣的图像实验，看看 Gemini 1.5 Flash 怎么说。

场景2：教我玩游戏！

既然 Gemini 1.5 Flash 视频分析能力比较强，把这个游戏的视频发给它，看它能否带我们成功通关。

场景3：看图讲故事

• 它能在10s左右生1万字故事的内容大纲，并分好章节，有每一章的简单介绍，很有条理。

• 它能在3～5分钟内生成1万字故事每一章的详细内容（手动输入不友好），同时能够有效保持前后文的一致性，确保故事情节流畅，细节丰富。

  
  

场景4：这个视频讲了什么？

Gemini 1.5 Flash 不仅可以识别出视频的主要是讲啥的，而且分析出视频中上下左右每个图片的具体内容，比如通过旋转参数的调整，可以看到图像中卡通老人的姿态发生变化，分析效果直观明了。

但同样的问题问 ChatGPT，视频针对于视频的分析并不能直接分析，反而回答提取一帧一帧的画面进行分析，我们还是期待一下 GPT-4o 的更新吧。

场景5：这本书值不值得买？

最后

• 在图片测试中，Gemini 1.5 Flash 不能直接生成图片，这一点得向 ChatGPT-4o 学习学习。

• 在视频测试中，Gemini 1.5 Flash 虽然能识别视频中的主要内容和画面细节，但在处理音频输入时还有些不足，这在多模态输出方面也体现出来。

点个“在看”，再走吧