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

场景2：教我玩游戏！

🐰 按照它教的我玩了两次，但还是失败了（感觉它开始出错了）。我姑且再信它一次，接着再问它说怎么玩。

🐰 到这里，会发现 Gemini 1.5 Flash 能够通过视频教会我玩这个游戏，它能够处理视频输入，生成详细且准确的指示和解释。

场景3：看图讲故事

🐰 让它看图讲故事。它直接根据图片内容在5秒钟之内就生成了一个完整的故事（故事还带有哲理性和反转性），这理解能力也是极强了，而且还是中文故事。

🐰 让它继续写一个，生成的故事风格都不带重样的，现代都市风、未来科技风啥啥都有，关键是效果还不错。

• 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。

🐰 这些特性对于需要处理大量背景信息的任务，如技术文档编写、深入对话、故事创作灵感激发都非常有用。

🐰 这么来看，Gemini 1.5 Flash 还是有点东西的！根据图像生成相关的故事情节，比如一口气连续生成故事情节连贯的故事，而且生成文本内容质量相对较高，对于中文的理解也很不错。看来是有真本事的！

视频源于网络

🐰 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？

🐰 它回答的速度倒是挺快，识别出了书籍作者，但说原作者是 sam altman，这就开始妥妥的幻觉了，同时也缺少具体价格信息。

🐰 在第二问中 Gemini 1.5 Flash 开始一本正经胡说八道了。

这本书到底讲了啥内容，目录在这儿了。

最后

🐰 在这个“什么都快”的时代，Flash 真是名不虚传，生成的内容又快又好。

• 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。