Google正式推出了原生多模态的大型语言模型Gemini，可以同时支持文字、图片和声音的输入。在32项AI测试中，有30项的评分超越了OpenAI的GPT-4V。Google执行长Sundar Pichai强调，Gemini是Google有史以来最强大也是最通用的模型。Gemini预计推出三种版本，包括了模型最大的Ultra版、通用性最广的Pro版，以及可以在手机装置上运作的Nano版。
Gemini可以同时分辨和理解文字、图片和声音，也可以用来分辨和解释几种热门开发语言，包括Python、Java、C++和Go语言，可以理解跨开发语言来推论複杂讯息。Google也用了Gemini打造了新版的程式码生成系统AlphaCode 2，比2年前的第一代改进很多，可以解决两倍的问题。
Gemini使用了Google自行开发的晶片TPU训练而成，而且使中了v4和v5e版TPU。Google同时宣布了新版TPU v5p，可用来加速Gemini模型的开发，供企业用来客制化训练自己的LLM模型。TPU v5p单一丛集可支援到8,960颗TPU，和TPU v4相比，能够提供2倍FLOPS的算力，记忆体频宽也提高了3倍。
Google目前先在Bard中使用一个微调过的Gemini Pro版本，可提供推理和计画的回答能力。目前先释出英语版，可再全球170个国家和地区使用，预计近期会支援更多语言。
Google展示了一段让人震惊的实测影片，来呈现Gemini多模态的回答能力，让Gemini一边看著（输入）影片来解读影片中画面的内容。例如Gemini可以一边解读影片中，展示人员用手即时画图过程，每一个动作所对应的意义，这是只鸭子，现在在水上游泳，有蓝色外观。当展示人员拿出实体玩具鸭子按压发生声音时，AI甚至有趣的说，真的拿出了呱呱叫的鸭子，AI还能纠正展示人员对于“鸭子”中文发音的重音位置错误。 AI能分辨人手势代表的意义，也能分辨不同物体的异同，例如都是食物，或都是圆体。看影片还能推理出哪个杯子藏了硬币，彷彿就像人边看影片边解说的行为。
