Geminiとは
Googleが開発する、テキスト・画像・音声等を統合的に扱うマルチモーダル大規模言語モデルファミリー
ひとことで言うと
Googleが作っている、文章・画像・音声などをまとめて扱えるAIモデルシリーズ。
概要
Geminiとは、Googleが開発する大規模言語モデルのファミリーで、開発当初からテキスト・画像・音声・動画といった複数のモダリティを統合的に扱うマルチモーダルモデルとして設計されている。 Google検索・Gmail・Android等、Googleの各種プロダクトへの統合や、Google CloudのVertex AIを通じたAPI提供など、Googleのエコシステム全体で広く展開されている。 Ultra・Pro・Flash・Nanoといった複数のサイズ展開を持ち、データセンター向けの高性能用途からモバイル端末上でのオンデバイス実行まで、用途に応じたモデルを選択できる構成になっている。 コンテキストウィンドウの大きさにも力を入れており、長編の書籍や動画1本分に相当する情報を一度に入力できる長コンテキスト対応も特徴の1つとされる。
背景
2023年にGoogle BrainとDeepMindが統合してGoogle DeepMindが発足し、両組織の研究成果を統合した後継モデルとして、それまでのPaLM系列モデルに代わりGeminiが開発された。
歴史
2023年12月: Google DeepMindがGemini 1.0(Ultra・Pro・Nanoの3サイズ)を発表。 2024年2月: 100万トークン規模のコンテキストウィンドウに対応したGemini 1.5を発表。 2024年12月: Gemini 2.0を発表。 2025年: 推論能力を強化したGemini 2.5を発表。
アーキテクチャ
Transformerベースのアーキテクチャをマルチモーダル入出力に対応させて構成しており、テキストだけでなく画像・音声・動画を含む入力を単一のモデルで処理できるよう設計されている。
利点
- テキスト・画像・音声・動画を統合的に扱えるマルチモーダル性能に強みを持つ
- 非常に長いコンテキストウィンドウに対応したモデルを提供している
- Google検索や各種プロダクトとの統合により、幅広い実利用の接点を持つ
欠点
- モデルの重みが非公開のクローズドウェイトであり、自前でのホスティングやカスタマイズに制約がある
- API利用のコストが発生し、大量利用時のコスト管理が必要になる
- モデルの更新が頻繁で、旧バージョンが廃止(deprecate)される際に既存の実装への追従が必要になる
比較
- GPT — GeminiとGPTは、いずれもクローズドウェイトで提供される代表的な商用LLMファミリー
- コンテキストウィンドウ — Geminiは、業界の中でも特に長いコンテキストウィンドウを提供するモデルファミリーの1つ
- Gemma — Gemmaは、Geminiの研究成果をもとに構築されたGoogleのオープンウェイトモデルファミリー
- PaLM — PaLMはGoogleの初期の大規模言語モデルであり、後継の主力モデルとしてGeminiシリーズに移行した
- マルチモーダル — Geminiは、テキスト・画像・音声・動画を統合的に扱えるマルチモーダルなモデルとして設計されている
関連用語
よくある質問
GeminiとGemmaの違いは？
Geminiはクローズドウェイトの商用モデルファミリー。 Gemmaは、Geminiと同じ研究成果をもとに構築された、重みが公開されたオープンウェイトのモデルファミリーで、無償で利用・改変できる点が異なる。
Geminiのモデルサイズはどう選べばいい？
Pro・Flash等、性能とコスト・速度のバランスが異なる複数のサイズが提供されており、タスクの複雑さや求める応答速度に応じて選択する。
参考文献
- Official WebsiteGoogle DeepMind: Gemini
関連する年表
関連する比較
Claude vs Gemini
ClaudeはAnthropicが開発する安全性とアライメントを重視したLLMファミリー、GeminiはGoogleが開発するテキスト・画像・音声・動画を統合的に扱うマルチモーダルLLMファミリー。いずれも重みは非公開で、API・チャットサービス経由での利用が基本となる。
Gemini vs Grok
GeminiはGoogleが開発するテキスト・画像・音声・動画を統合的に扱うマルチモーダルLLMファミリー、GrokはxAIが開発するX(旧Twitter)とのリアルタイム統合を特徴とするLLMファミリー。いずれもチャットサービス・API経由で利用できる。