Gemini有多强 实测AI文章生成与搜索能力

作为谷歌所推出的新一代大语言模型的Gemini, 在刚发布之际, 便吸引了数量众多的关注。

它不但对文本、图像、代码的多模态理解予以支持, 而且具备极为强大的AI文章生成能力。

许多人针对它的现实表现持有观望的态度, 当前我们依据日常运用场景着手, 探讨Gemini究竟可不可以担当得起“下一代AI助手”这个名头。

Gemini的AI文章生成到底好用吗

关于写作这个行为, 人工智能完成得是否出色, 重点就在于可不可以领会人类所说的话语。

我尝试着促使Gemini去撰写一篇围绕“城市垃圾分类”的科普性质的短文, 它所给出的结果是结构尽显清晰, 起步之初来阐释分类标准, 在中间部分去补充常见的误区, 于最后要点明环保意义。

令我愈发感到意外的是, 它可以按照我随后的进一步询问, 自行去调整语气, 即当我说“写给小学生看”时, 它马上将专业术语转变为生活化的表述方式, 像采用“猪能吃的是厨余垃圾”这样的顺口溜形式。

使我记忆深刻的另外一处, 乃是长文本所具备的连贯性 , 这一点。

以往存在一些AI, 撰写两千字以上的内容时易于偏离主题, 然而Gemini在这一方面把控得颇为良好。

我促使它生成一篇字数为三千字的行业分析报告, 它于中间的段落会自行回扣文中前面所提及的案例, 并非是单纯地进行信息堆砌, 是这样的情况。

倘若拥有那种“写得长还能够收转回来”的本事, 对那些需要批量产出内容的人来讲, 着实能更省心一些。

当然它也不是万能。

在碰到那种非得引用确切数据或者当下最新发生事件的内容之际, Gemini时不时会出现那种比如将某一个行业的市场份额说错这般“编造数据”的状况。

因此, 当运用它去撰写文章之际, 那些起着关键作用的数字, 最好是依靠自己手动去核查一番。

Gemini在搜索和问答里表现如何

如果说写文章是“输出”，那搜索和问答就是“理解”的试金石。

我把一些得经过好多步骤来进行推理的问题拿去考它, 像“要是北京对燃油车予以禁止, 那对于周边省份的就业结构会引发什么样的连锁反应”。

Gemini没有直接给出简单的结论, 而是将其拆解成汽车制造业这一层面, 再拆解出电池供应链这一层面, 还拆解出服务业转型这一层面, 并且每个层面都附带了不同时间节点的可能出现的变化。

这种回答呈现出逻辑递进的样式, 相较于单一性质的答案, 具备更为可观的参考价值。

它还支持视觉搜索, 我上传了一张模糊的餐厅菜单照片, 让它找出“招牌菜还有价格”, 它能够识别出那般潦草的手写字体, 甚至在辣椒符号的旁边备注“辣度是可以选择的”。

哪怕是有一个随时随刻都能提供帮助的助手, 对于那些常常需要处理图片信息。在调研情况下的人群而言, 在做笔记的场景之中, 都无疑会显得更为便捷直接。

不过Gemini的搜索能力也有短板。

假使问题关联实时性特别强的信息, 像“今天下午的航班延误状况”, 它便会给出提示, “我没办法获取实时数据, 需手动去查询”。

相比于依赖搜索引擎的工具, 这一点, 存在着明显的差距。

Gemini在AI文章生成方面表现突出, 在复杂问答方面也表现出色, 它更适宜于用来协助深度思考, 也更适宜于用来协助内容创作, 还更适宜于用来协助知识整理。

但它不适合替代实时查询工具和人工校对。

将它所具备的强项运用于“需要理解以及生成”的环节之中, 而把它的弱项交付给其他工具去进行补足, 如此这般方为当下最为务实的一种用法。

标签： Gemini AI文章生成 搜索能力 多模态理解 内容创作