Auntilz墨痕
Ch10 LLM架构修订于 二〇二六年七月六日

Google Gemini 模型家族

约 6 分钟共 1,967 字Ch10 LLM架构

概述

Gemini 是 Google DeepMind 开发的多模态大语言模型家族，自 2023 年 12 月首次发布以来，已经发展成为最具竞争力的 AI 模型生态系统之一。Gemini 的独特优势在于其原生多模态能力（从一开始就设计为处理文本、图像、音频、视频和代码）和超长上下文窗口（最高 2M tokens）。到 2026 年，Gemini 3.5 系列已与 OpenAI GPT-5.5 和 Anthropic Claude Opus 4.8 形成三足鼎立之势。

Gemini 模型家族演进

发展历程

版本发布时间关键里程碑
Gemini 1.0 Ultra/Pro/Nano2023.12首次发布，原生多模态，Ultra 在 MMLU 上首次超越人类专家
Gemini 1.5 Pro/Flash2024.021M token 上下文窗口，MoE 架构，Flash 速度大幅提升
Gemini 1.5 Pro (002)2024.092M token 上下文，性能全面优化
Gemini 2.0 Flash2024.12Agentic AI 时代，原生工具调用和代码执行
Gemini 2.5 Pro2025.03Thinking 模式，推理能力大幅提升
Gemini 2.5 Flash2025.06高效推理，成本优化
Gemini 3.0 Flash2025.10第三代架构，速度与质量的新平衡
Gemini 3.0 Pro2025.12旗舰性能，复杂推理和多模态理解
Gemini 3.5 Flash2026.03最新高效模型，推理能力接近 Pro
Gemini 3.5 Pro2026.05当前最强 Gemini 模型，原生多模态推理

模型定位

模型层级定位典型场景
Ultra最强性能（已整合入 Pro）最复杂的推理、科学计算
Pro旗舰性能与成本的平衡复杂推理、代码生成、多模态分析
Flash速度与效率优先高频 API 调用、实时应用、聊天
Nano设备端手机、Chromebook 本地推理

当前主力模型 (2026)

Gemini 3.5 Pro

特性说明
架构增强 MoE (Mixture of Experts)，推测超 2T 参数，活跃参数约 400B
上下文窗口2M tokens（输入），128K tokens（输出）
多模态原生支持文本、图像、音频、视频、代码
推理模式支持 Thinking Mode（显式推理链）和 Direct Mode（直接回答）
工具调用原生 Google Search Grounding、Code Execution、Function Calling
输出格式JSON Mode, Structured Output, 流式/非流式
API 定价10 / 1M output tokens
速度80-150 tokens/s (Flash), 40-80 tokens/s (Pro)

Gemini 3.5 Flash

特性说明
定位最高效的 Gemini 模型，推理能力接近 Pro
上下文窗口1M tokens（输入）
速度200-300 tokens/s
成本0.30 / 1M output tokens
特色支持 100 万 token 上下文 + 推理能力，性价比极高

原生多模态能力

Gemini 的核心差异化优势在于其原生多模态设计。不同于将图像编码器拼接在文本 LLM 上的方案（如 GPT-4V），Gemini 从训练开始就同时处理多种模态的数据。

支持的多模态输入

模态支持格式说明
文本纯文本、Markdown、代码所有层级的标准支持
图像JPEG, PNG, GIF, WebP理解图表、截图、照片、文档扫描
音频MP3, WAV, FLAC, OGG直接处理音频波形，无需转写
视频MP4, MOV, AVI, WebM逐帧理解，支持长视频
PDF原生 PDF 解析保留文档结构、表格、图表

多模态能力对比

能力Gemini 3.5 ProGPT-5.5Claude Opus 4.8
图像理解优秀优秀优秀
视频理解最佳（原生支持，逐帧分析）好（抽帧）中（不支持视频）
音频理解最佳（原生波形处理）好（转写后处理）不支持
PDF 解析最佳（原生结构化解析）好优秀
跨模态推理最佳（原生多模态训练）好中
多模态生成图像+文本生成（Imagen 集成）图像生成 (DALL-E 集成)不支持
代码执行内置内置内置

超长上下文窗口 (2M Tokens)

Gemini 的 2M token 上下文窗口是当前业界最大之一，相当于约 150 万英文单词或 3000 页文档。

超长上下文的应用场景

场景说明典型数据量
全代码库分析将整个代码仓库放入上下文500K-2M tokens
多文档对比同时分析数十篇论文/报告1M-2M tokens
视频理解1 小时视频的逐帧理解500K-1M tokens
长会议转写数小时的会议录音一次性分析500K-1M tokens
知识库问答整个知识库直接放入上下文1M-2M tokens

长上下文性能

Google 的研究表明，Gemini 在超长上下文中的”大海捞针” (Needle-in-a-Haystack) 测试中表现优异：

上下文长度针检索准确率 (Gemini 3.5 Pro)针检索准确率 (Gemini 3.0 Pro)
128K100%100%
512K99.8%99.5%
1M99.5%99.0%
2M99.0%97.0%

Gemini vs GPT-5.5 vs Claude Opus 4.8 对比

维度Gemini 3.5 ProGPT-5.5Claude Opus 4.8
开发商Google DeepMindOpenAIAnthropic
上下文窗口2M tokens256K tokens500K tokens
多模态原生（文本+图像+音频+视频）图像+文本图像+文本+PDF
推理能力强（Thinking Mode）极强（o4 推理）极强（Extended Thinking）
编码强极强极强
创意写作好好优秀
安全对齐严格中等严格
速度快快中等
成本 (input)$1.25/1M$1.25/1M$3/1M
成本 (output)$10/1M$10/1M$15/1M
Google 生态整合深度（Search, Workspace, Cloud）浅（Bing, Copilot）浅（AWS Bedrock）
开源程度部分开放（Gemma 系列）闭源闭源
最佳场景多模态分析、长文档、视频理解通用推理、编程、数学长文档、写作、安全敏感

2026 年 Gemini 的定位

核心优势

  1. 原生多模态：Gemini 是多模态能力最全面的模型，尤其擅长视频和音频的原生理解。
  2. 超长上下文：2M token 上下文窗口使 Gemini 在处理大规模文档和视频时具有独特优势。
  3. Google 生态整合：与 Google Search、Google Workspace、Google Cloud、Android 等深度集成。
  4. 成本效益：Flash 系列以极低成本提供接近 Pro 级别的性能。
  5. Thinking Mode：推理能力持续提升，缩小了与 o4 和 Claude Extended Thinking 的差距。

主要挑战

  1. 推理能力：在纯文本推理方面，Gemini 3.5 Pro 仍略逊于 OpenAI o4 和 Claude Opus 4.8 Extended Thinking。
  2. 编码能力：在复杂编程任务上，GPT-5.5 和 Claude Opus 4.8 仍有一定优势。
  3. 创意写作：Claude Opus 4.8 在写作质量和风格方面更受创作者青睐。
  4. 品牌认知：在开发者社区中，OpenAI 和 Anthropic 的品牌认知度仍高于 Google。
  5. 开源生态：虽然 Google 有 Gemma 开源系列，但影响力不如 Llama 和 Qwen。

典型使用场景

  • 视频分析：自动分析监控视频、体育赛事回放、教育视频内容理解
  • 长文档处理：一次性分析数百页的法律合同、研究报告、医学文献
  • 多模态搜索：结合 Google Search 对多模态信息进行综合分析
  • 音频处理：会议记录、采访分析、音乐分析
  • 教育：多模态教科书理解、视频课程辅助学习
  • 企业应用：通过 Google Cloud Vertex AI 部署，与 Google Workspace 集成

相关笔记

来源

关联8

知识图谱

反向链接2

出链6

局部图谱 · 点节点跳转