标题：Gemini: A Family of Highly Capable Multimodal Models
作者：Gemini Team Google 等（共1350位作者）
摘要：
本报告介绍了一个新的多模态模型家族——Gemini，其在图像、音频、视频和文本理解方面展现出卓越的能力。Gemini 家族包含 Ultra、Pro 和 Nano 三种规模，适用于从复杂推理任务到设备端内存受限用例的各种应用场景。在广泛的基准测试评估中，我们能力最强的 Gemini Ultra 模型在 32 个基准测试中的 30 个上取得了最先进的成果——尤为突出的是，它成为首个在广受研究的考试基准 MMLU 上达到人类专家水平的模型，并且在我们所考察的 20 个多模态基准测试中的每一个都改进了现有技术水平。我们相信，Gemini 家族在跨模态推理和语言理解方面的新能力将支持广泛的应用场景。我们讨论了通过 Gemini、Gemini Advanced、Google AI Studio 和 Cloud Vertex AI 等服务，负责任地对 Gemini 模型进行后训练和部署给用户的方法。
主题/分类：
- 计算与语言 (cs.CL)
- 人工智能 (cs.AI)
- 计算机视觉与模式识别 (cs.CV)
提交/修订日期：2023年12月19日提交，2025年5月9日最后修订（版本 v5）