Gemini Omni ווידעא: וואָס ווידעא מאָדע Google קענען טאָן אין פאַקטיש צייט
בעקיצער וועגן די הויפּט זאַך (BLUF)
Gemini Omni - ווידעא מאָדע Google אין פאַקטיש צייט: פונט די אַפּאַראַט, און דער מאָדעל דערקלערט, איבערזעצן אָדער פּאַרסעס וואָס זי זעט לעבן. זאל ס רעכענען אויס ווו די וואָרט "אָמני" געקומען פון, וואָס די מאָדעל טוט מיט ווידעא, און וואָס די רוסישע באַניצער קענען טאָן מיט אַלע דעם.
לעצטע וואָך, קאָלעגעס פּאָסטעד אַ ווידעא פון אַ מענטש וואָס ווייַזן זיין גאַרדעראָב לעבן, און Gemini קאַמענטינג אויף זאכן אין פאַקטיש צייט און סאַגדזשעסטיד קוקן. מייַן ערשטער געדאַנק: "נו, נאָר אן אנדער דעמאָ וואָס טוט נישט אַרבעטן אין פאַקטיש לעבן." צווייטע געדאַנק, נאָך טעסטינג: עס אַרבעט. ניט גאנץ, אָבער עס אַרבעט.
פֿון וואַנען קומט דאָס וואָרט "אָמני"?
"אָמני" מיטל "אַלע אין אַמאָל." ביידע GPT-4o (אָמני) און Gemini האָבן איצט אַ מאָדע ווו די מאָדעל אַרבעט מיט טעקסט, קול, בילדער און ווידעא סיימאַלטייניאַסלי. נישט אין דריי. ניט "ערשטער די ראַם, דעמאָלט דער ענטפער." נאָר די לויפן.
ספּאַסיפיקלי, Gemini Omni ווידעא קענען באַקומען אַ לעבן טייַך פֿון אַ אַפּאַראַט און רעאַגירן צו וואָס איז געשעעניש אין פאַקטיש צייט. נאָמען אַבדזשעקץ. לייענען טעקסט אויף פאַרשטעלן. ענטפֿערן פֿראגן וועגן וואָס איז געוויזן אין די ראַם רעכט איצט.
טעקניקלי, עס איז גערופֿן Multimodal Live API. דער ווידעא טייַך גייט צו די Google סערווערס, דער מאָדעל פּראַסעסאַז עס און ריספּאַנדז מיט אַ פאַרהאַלטן פון 200-400 מיז. דאס זעט שוין אויס ווי א שמועס, נישט קיין בקשה-ענטפער.
וואָס פּונקט טוט דער מאָדעל מיט די ווידעא?
עס איז וויכטיק צו ויסטיילן צווישן דרייַ פאַרשידענע זאכן:
- אַנאַליסיס פון דאַונלאָודיד ווידעא - איר ופּלאָאַד אַ ווידעא, פרעגן זיי צו באַשרייַבן אָדער געפֿינען די רעכט מאָמענט. דאָס האָט געארבעט צוריק אין 2024.
- פאַקטיש צייט מאָדע - דער מאָדעל קוקט מיט איר דורך די אַפּאַראַט. דאס איז שוין פונדאמענטאל אנדערש.
- ווידעא דור - דאָ Google לאָנטשט וועאָ 3 סעפּעראַטלי, דאָס איז אַ אַנדערש געשיכטע און אַ אַנדערש געצייַג.
אין Omni Live מאָדע, איר קענען ווענדן דיין טעלעפאָן צו אַ צעבראכן עלעקטריקאַל טאַפליע און פרעגן "וואָס איז פאַלש" - און באַקומען אַן ענטפער כּמעט גלייך, אָן ווארטן פֿאַר די מאַסע. אָדער ווייַזן די שיסל אין אַ רעסטאָראַן און געפֿינען די דערנענטערנ זאַץ. אָדער ווייַזן דיין קאָד אויף די מאָניטאָר און גלייך באַקומען אַ באַמערקונג.
פאַקטיש פאַל: דיסאַסעמבאַלינג קאָד דורך די אַפּאַראַט
איינער פון די מערסט ווערקאַבאַל סינעריאָוז איז צו סטרימינג די פאַרשטעלן בשעת דיבאַגינג. עפֿענען Google AI סטודיאָ, קער אויף ווידעא מאָדע, ווייַזן די IDE. איר פֿרעגט: "פֿאַר וואָס איז דאָ אַ ניל?" - דער מאָדעל זעט אַ ספּעציפיש סטאַקטראַסע און ריספּאַנדז צו די פונט.
איך געארבעט ווי דעם מיט אַ פּיטהאָן שריפט פֿאַר וועגן צוואַנציק מינוט. די פאַרהאַלטן איז קורץ, די ענטפֿערס זענען צו די פונט. דער בלויז זאַך איז אַז נאָך 20 מינוט די טעלעפאָן אנגעהויבן צו היץ אַרויף, איך האט צו באַשטימען צו אַ לאַפּטאַפּ.
עס אויך אַרבעט געזונט מיט דאָקומענטן. איר שטעלן די פּאַפּיר אין פראָנט פון די אַפּאַראַט, פרעגן שאלות - דער מאָדעל לייענט די טעקסט און ענטפֿערס. פֿאַר ניט-נאָרמאַל פאַנץ עס מאל מאכט מיסטייקס, אָבער קוילעלדיק די אַקיעראַסי איז לייַטיש.
װוּ איז דער כאַפּ?
איך װעל אײך ערלעך דערצײלן װעגן דעם, װאס מ׳טשעגט מיך.
ערשטער, אַקסעס. Gemini 2.0 מיט Omni Video לעבן אין Google AI סטודיאָ און די אַוואַנסירטע אַבאָנעמענט אַפּ. עס איז אַ פּראָצעס צייַט. דעמאָלט - באַצאָלן. איר קענען נישט לייגן אַ רוסיש באַנק קאַרטל. VPN איז דארף ניט בלויז פֿאַר רעגיסטראַציע, אָבער אויך פֿאַר סטאַביל אָפּעראַציע פון די טייַך.
צווייטנס, פּריוואַטקייט. ווען איר סטרימינג אַ ווידעא אין Google, עס גייט ערגעץ. די פירמע זאגט "מיר טאָן ניט ראַטעווען," אָבער דאָס איז נאָר זייער וואָרט.
טהירדלי, סעסיע לימאַץ. איר קענען נישט היטן ענדלאַסלי; עס זענען ריסטריקשאַנז אויף די לענג פון די טייַך. און די קוואַליטעט פון אַרבעט טראפנס נאָוטיסאַבלי ווען די אינטערנעט איז נעבעך.
וואָס זאָל אַ רוסיש באַניצער טאָן?
צוויי וועגן.
דער ערשטער איז VPN + Google אַי סטודיאָ. עס אַרבעט, אָבער מיט נערוועס: איר דאַרפֿן אַ סטאַביל קשר, אַ ניט-רוסיש קאָרט, און מאל די סעסיע נאָר פאַלן אַוועק.
די רגע איז צו אַסעמבאַל אַ ארבעטן אָנלייגן פון בנימצא מכשירים. אויף נעוראַלספּאַסע געזאמלט אַי באַדינונגס אָן VPN און אָן קראַנטקייַט קאַרדס. פֿאַר ווידעא עס איז ווידעא דור - ניט Omni Live, אָבער גענוג פֿאַר רובֿ טאַסקס. פּלוס שמועסן מיט מולטימאָדאַל מאָדעלס, ארבעטן מיט בילדער, קול ינסטראַמאַנץ.
אויב איר נאָר דאַרפֿן "קוקן אין די אַפּאַראַט און יבערגעבן אין פאַקטיש צייט," קיין פון די רוסישע באַדינונגס נאָך האָבן דעם פֿאָרמאַט. דאָס איז טאַקע אַ כידעש Google. אָבער אויב די אַרבעט איז "צו פונאַנדערקלייַבן ווידעא מאַטעריאַל" אָדער "צו דזשענערייט ווידעא אינהאַלט", ביידע דינער מכשירים און רעגיסטרירן איר קענען טאָן עס רעכט איצט אָן אַ וופּן.
וואָס צו קלייַבן דעפּענדס אויף די אַרבעט. און עס דעפּענדס אויף ווי גרייט איר זענט צו טינקער מיט אַ וופּן פֿאַר אַ 20-מינוט דעמאָ.
אָפט געשטעלטע פֿראגן (FAQ)
פראגע: ווי צו באַקומען די בעסטער רעזולטאַט פון אַ נעוראַל נעץ?
ענטפער: ניצן דיטיילד פּראַמפּס (דיסקריפּשאַנז) אין ענגליש, שטעלן די נוסח און דעטאַילס פון די סצענע.
פראגע: קענען די מאַטעריאַלס געניצט פֿאַר געשעפט צוועקן?
ענטפער: יאָ, די דזשענערייטאַד אינהאַלט איז לעגאַמרע דייַן.