【新智元导读】I/O大会上，谷歌Gemini 1.5 Pro一系列更新让开发者们再次沸腾。最新技术报告中，最引人注目的一点是，数学专业版1.5 Pro性能碾压GPT-4 Turbo、Claude 3 Opus，成为全球最强的数学模型。
四个月的迭代，让Gemini 1.5 Pro成为了全球最强的LLM（几乎）。
谷歌I/O发布会上，劈柴宣布了Gemini 1.5 Pro一系列升级，包括支持更长上下文200k，超过35种语言。
与此同时，新成员Gemini 1.5 Flash推出，设计体积更小，运行更快，还支持100k上下文。
最近，Gemini 1.5 Pro最新版的技术报告新鲜出炉了。
报告显示，升级后的模型Gemini 1.5 Pro，在所有关键基准测试中，都取得了显著进展。
简单来说，1.5 Pro的性能超越了「超大杯」1.0 Ultra，而1.5 Flash（最快的模型）性能则接近1.0 Ultra。
甚至，新的Gemini 1.5 Pro和Gemini 1.5 Flash在大多数文本和视觉测试中，其性能还优于GPT-4 Turbo。
Jeff Dean发文称，Gemini 1.5 Pro「数学定制版」在基准测试中，取得了破记录91.1%成绩。
而三年前的今天，SOTA仅为6.9%。
而且，数学专业版的 Gemini 1.5 Pro在数学基准上的成绩，与人类专家的表现不相上下。
数学评测3年暴涨84.2%
对于这个「数学定制版」模型，团队使用了多个由数学竞赛衍生的基准测试评估Gemini的能力，包括MATH、AIME、Math Odyssey和团队内部开发的测试HidemMath、IMO-Bench等。
结果发现，在所有测试中，Gemini 1.5 Pro「数学定制版」都明显优于Claude 3 Opus和GPT-4 Turbo，并且相比通用版本的1.5 Pro有显著改进。
特别是MATH测试中取得了91.1%的突破性成绩，而且不需要使用任何定理证明库或者谷歌搜索等任何外部工具，这与人类专家的水平相当。
此外，在AIME测试集中，Gemini 1.5 Pro「数学定制版」能解决的问题数量是其他模型的4倍。
以下是两道曾让之前的模型束手无策的亚太数学奥林匹克竞赛（APMO）题。
其中，上面的这个例子很有代表性，因为它是一道证明题，而不是计算题。
对此，Gemini给出的解法不仅直切要害，而且非常「漂亮」。
Gemini 1.5 Pro核心性能全面提升
文本评估
除了数学之外，升级后的1.5 Pro在推理、编码、多模态多项基准测试中，取得了显著的优势。
甚至就连主打输出速度的1.5 Flash，在性能上也不输1.0 Ultra。
尤其是，在MMLU通用语言理解基准测试中，Gemini 1.5 Pro在正常的5个样本设置中得分为85.9%，在多数投票设置中得分为91.7%，超过了GPT-4 Turbo。
与2月出版技术报告对比来看，新升级1.5 Pro在代码两项基准中，有了非常明显的提升，从71.9%上涨到84.1%（HumanEval），从77.7%上涨到82.6%（Natural2Code）。
在多语种基准测试中，新升级1.5 Pro的能力略微下降。
此外，5月报告中，将数学和推理能力分开评测，在数学基准上，新升级1.5 Pro有所下降，从91.7%下降到90.8%。
在推理测试中，MMLU上的性能从81.9%提升到85.9%。
2月版
针对函数调用，1.5 Pro在多项任务中，除了多项函数，都拿下了最高分。1.5 Flash在多项函数任务中，取得了领先优势。
在指令调优上，1.5 Pro面对更长指令1326提示时，回应准确率最高。而406更短指令，1.0 Ultra的表现更优秀。
涉及到更专业的知识问答时，1.5 Pro准确率几乎与1.5 Flah持平，仅差0.6%，但都显著优于1.0 Pro和1.0 Ultra。
针对STEM上下文问答任务中，在Qasper数据集上，Gemini 1.0和1.5准确率提升，与此同时不准确率显著下降。
再来看偏好结果，针对不同提示，与1.0 Pro比起来，1.5 Pro和1.5 Flash相对得分更高。
多模态评估
针对多模态性能，技术报告中涉及了众多基准测试，包括多模态推理、图表与文档、自然图像以及视频理解四个方面，共15个图像理解任务以及6个视频理解任务。
总体来看，除了一项测试之外，1.5 Pro的表现均能超过或者与1.0 Ultra相当，且轻量的1.5 Flash在几乎所有测试中都超过了1.0 Pro。
可以看到1.5 Pro在多模态推理的4个基准测试上都有所提高。
在公认较为困难的MMMU测试中，1.5 Pro实现了从47.9%到62.2%的提升，在研究生水平的Ai2D测试上甚至达到了94.4%，1.5 Flash也有91.7%的高分。
对于多模态大模型，图表和文档的理解比较有挑战性，因为需要对图像信息进行准确的解析和推理。
Gemini 1.5 Pro在ChartQA取得了87.2%的SOTA结果。
在TAT-DQA测试上，分数从1.0 Pro的9.9%升至37.8%，1.5 Flash相比1.0 Ultra也有将近10%的提高。
此外，团队创建了BetterQA等9个互不相交的能力测试。结果显示，相比上一代的1.0 Pro，1.5 Pro总体达到了20%以上的提升。
自然图像理解方面的测试，重点关注模型的对物理世界的理解以及空间推理能力。
在专门的V*测试中，1.5 Pro和测试提出者所发表的模型SEAL几乎表现相当。
在人类擅长而模型不擅长的Blink测试中，1.5 Pro实现了从45.1%（1.0 Pro）到61.4%的提升，Flash分数相近（56.5%），依旧高于1.0 Ultra（51.7%）。
除了「大海捞针」，团队也为Gemini 1.5 Pro进行了其他视频理解方面的基准测试，但提升不如前三个方面那样显著。
在VATEX英文和中文的两个测试中，对比2月份发布的Gemini 1.5 Pro的技术报告，三个月训练后的提升不超过2分。
在YouCook2测试中，1.5 Pro似乎始终不能达到1.0 Ultra的135.4分，而且相比2月技术报告中的134.2下降到了最新的106.5。
有趣的是，在OpenEQA的零样本测试上，1.5 Flash得分63.1，甚至超过了1.5 Pro的57.9。技术报告中解释，这是由于1.5 Pro拒绝回答某些问题造成的。
2月版
对比GPT-4、Claude 3优势明显
接下来，再看看横向对比，新升级的1.5 Pro与GPT-4、Claude模型相较下的性能如何。
模型诊断能力改进
如下展示的是，在2000个MRCR任务实例中，字符串相似度累积平均得分与上下文长度的函数关系。
在与GPT-4 Turbo和Claude 2.1进行比较时，研究人员发现分别在8K和20K个词组之后，1.5 Pro和1.5 Flash的性能大大优于这两个模型。
随着上下文长度的增加，1.5 Pro和1.5 Flash的性能下降幅度大大缩小，最高可达100万个token。
在将小语种Kalamang翻译成英语的量化结果如下所示。
新升级的1.5 Pro在喂了半本书，甚至全本书的数据之后，性能得到大幅提升，并优于GPT-4 Turbo和Claude 3的表现。
而在将英语翻译成Kalamang语言的量化结果中，1.5 Pro的胜率也是最高的。
低资源机器翻译的长上下文扩展
再来看，在「低资源」机器翻译中，模型的上下文学习扩展（Scaling）表现。
随着样本数量不断增加，1.5 Pro的翻译性能越来越好，大幅超越了GPT-4 Turbo。
长上下文文本QA
针对长文本的问答，1.5 Pro在710k上下文文中，表现显著优于GPT-4 Turbo。并且，超越了没有上下文，以及在RAG加持下，支持4k上下文的1.5 Pro。
长上下文音频
在音频长上下文的测试中，每个模型的单词错误率表现又如何？
可以看到，1.5 Pro仅有5.5%，而OpenAI的Whisper模型的错误率高达12.5%。
但与2月版的报告相比，1.5 Pro的音频长下文单词错误率还是有所下降。
2月版
长上下文视频QA
针对1个小时的视频问答任务，1.5 Pro在不同基准上准确率实现与3分钟视频任务准确率，基本持平一致。
再来看去年2月版的对比，1.5 Pro在1小时任务中的准确率有了很大提升，从最高0.643上涨到0.722。还有在3分钟视频QA任务中，从0.636上涨到0.727。
2月版
在1H-VideoQA测试中，团队在时长1小时的视频中每秒取1帧画面，最终线性下采样至16帧或150帧，分别输入给GPT-4V与Gemini 1.5进行问答。
无论帧数多少，Gemini 1.5 Pro的表现均强于GPT-4V，其中在16帧测试的优势最为明显（36.5% vs. 45.2%）。
在观看整个视频后进行回答时，Gemini 1.5 Pro从2月的64.3%提升至72.2%。
2月版
长上下文规划
「推理」和「规划」技能对解决问题都很重要，虽然LLM在推理上进展显著，但规划依旧很难。
这篇报告专门呈现了Gemini 1.5的规划能力测试，涉及到移动积木、安排物流路线、室内导航、规划日程和旅行路线等任务场景。
测试中，模型必须根据给定任务，一次性地快速生成解决方案，类似于人类的「头脑风暴」过程。
总体上，Gemini 1.5 Pro在绝大多数情况下的表现优于GPT 4 Turbo，不仅能在少样本时较好进行规划，还能更有效地利用额外的上下文信息。
更轻量的Gemini 1.5 Flash表现始终不敌Gemini 1.5 Pro，但在几乎一半的情况下可以与GPT-4 Turbo的表现相当。
GPT-4 Turbo的在BlocksWorld中的零样本表现接近于零，而Gemini 1.5 Pro和Flash分别达到了35%和26%。
Calendar Scheduling也是如此，GPT的1-shot准确率低于10%，而1.5 Pro达到33%。
随着样本数量逐渐增多，1.5 Pro的表现基本持续提升，但GPT-4 Turbo在样本增加到一定程度时会出现下降趋势，在Logistics中甚至持续下降。
比如Calendar Scheduling中，当样本数量逐渐增加至80-shot时，GPT-4 Turbo和1.5 Flash只有38%的准确率，比Gemini 1.5 Pro低了32%。
之后增加至400-shot时，1.5 Pro达到了77%的准确率，GPT却依旧徘徊在50%左右。
非结构化多模态数据分析任务
现实世界中的大多数数据，比如图像和对话，仍然是非结构化的。
研究人员向LLM展示了一组1024张图像，目的是将图像中包含的信息提取到结构化数据表中。
图17展示了从图像中提取不同类型信息的准确性结果。
Gemini 1.5 Pro在所有属性提取上的准确性提高了9%（绝对值）。同时，相较于GPT-4 Turbo，1.5 Pro提升了27%。
然而，在评估时，Claude 3 API无法分析超过20张图像，因此Claude 3 Opus的结果被限制了。
此外，结果显示，1.5 Pro在处理更多的图像时会带来持续更好的结果。这表明该模型可以有效利用额外和更长的上下文。
而对于GPT-4 Turbo来说，随着提供的图像增多，其准确性反而下降
更多细节参见最新技术报告。
