第 01 篇 · Gemini 1 / 1.5：原生多模态与百万上下文

2023 年底，Google 憋出 Gemini 1.0 时行业已经挤满玩家。它的破局武器不是「更聪明」，而是两个结构性差异：从一开始就把图文音视频训进一个模型（原生多模态），以及 100 万 token 的上下文窗口（把整个「阅读量」问题一次性解决）。这两招定义了 Gemini 此后所有版本的底色。

1.1 什么是「原生多模态」

•拼接式（GPT-4V 早期路线）：视觉模型把图「翻译」成 token 再喂给文本模型——两套系统拼装；

•原生式（Gemini）：图文音视频从预训练第一刻就联合训练——一套权重内同时理解所有模态；

•效果：跨模态推理（看图 + 听音 + 读文综合判断）、视频理解（帧序列 + 音频 + 字幕对齐）、长视频问答。

1.2 分档产品

1.3 意义

•反超 GPT-4 的部分多模态基准（MMMU 等）；

•宣告「多模态 = 下一个主战场」：此后所有旗舰（GPT-4o/Claude 4/V4）都转向原生路线——Gemini 是先行者。

2.1 数字

•100 万 token 上下文（Pro 全量开放；实验 1M→2M 推进）；

•可一次处理：整部三体小说、整份代码仓库、2-3 小时视频、几十万行文本；

•配套：Flash 系列（轻量快速档）——Pro 管深度、Flash 管速度。

2.2 为什么「长上下文」是 Google 的结构性优势

1基建：TPU + 自家数据管道（YouTube 字幕、图书、搜索质量数据）——数据与算力自给；

2架构：稀疏注意力 + 高效的 KV 管理（llm-理论 04 的长上下文工程）；

3产品：一次喂「整个文档/整个视频」→ 消除「切 chunk 丢上下文」的痛点——体验上直接碾压需要 RAG 拼装的方案。

2.3 长上下文的意义

•应用面打开：长文档理解、代码库级助手、视频检索问答；

•成本挑战浮现：1M 上下文的前向计算贵——「塞得下」和「用得起」是两回事（效率革命的持续课题）。

•DeepSeek-V4 也做到百万上下文 + 多模态（其家族系列第 8 篇），路径类似但主打「效率做便宜」；

•Gemini 主打「原生多模态深度 + 生态接入」，DeepSeek 主打「开源 + 白菜价」——同样的能力，不同的商业模式。

1原生多模态：从预训练就联合图文音视频（非拼接）——Gemini 的定义级差异。

2分档：Ultra（最强）/ Pro（均衡）/ Nano（端侧）。

3百万上下文（1.5）：一次装下整书/整库/长视频——长上下文霸主。

4结构性优势：TPU 基建 + 数据管道 + 稀疏注意力。

5成本课题：塞得下 ≠ 用得起——效率革命是长上下文的续集。

第 02 篇：Gemini 2.0——2024 年底 Google 把重心从「多模态深度」转向「Agent 能力」：函数调用、计算机使用、实时多模态语音。Gemini 2.0 证明 Google 也要做「能干活的模型」——这是 2025 年所有旗舰的同一个转向（对照 OpenAI o 系列、Claude Computer Use）。

•[官方] Introducing Gemini 1.0（2023-12）：https://blog.google/technology/ai/google-gemini-ai/

•[官方] Gemini 1.5 技术报告（百万上下文）：https://storage.googleapis.com/deepmind-media/gemini/gemini_1_5_pro_report.pdf

•[官方] Gemini 技术报告：https://arxiv.org/abs/2312.11805

整理：2026-10-01 月绡凝 · 依据官方技术报告。