Gemini
यह क्यों मायने रखता है
गहन अध्ययन
Gemini किसी एक मॉडल से कम और product line अधिक है: Google DeepMind के foundation models का परिवार, जिसे generations (1.0, 1.5, 2.0, 2.5) और size tiers (Nano, Flash, Pro, Ultra) में जारी किया जाता है, जहाँ क्षमता का लागत और गति से समझौता होता है। हर generation Google के अपने TPU hardware पर train होती है, जिससे Google बाहरी chip suppliers पर पूरी तरह निर्भर रहने के बजाय अपनी compute stack को end to end नियंत्रित कर पाता है। यही मॉडल Gemini consumer app, AI Studio और Vertex AI में Gemini API, तथा Search, Android और Workspace में पिरोए गए AI features के पीछे हैं। Google, Gemini research से निकला छोटा open-weight परिवार Gemma भी जारी करता है, उन developers के लिए जिन्हें ऐसे weights चाहिए जिन्हें वे खुद चला सकें।
Bard से Gemini तक
Gemini तक Google का रास्ता Bard से होकर जाता है, वह chatbot जिसे उसने 2023 में OpenAI के ChatGPT का जवाब देने के लिए जल्दबाज़ी में निकाला था और जो पहले LaMDA, फिर PaLM 2 मॉडल पर बना था। Bard की अस्थिर शुरुआत ने Google को 2023 में अपनी दो प्रतिद्वंद्वी research labs — Google Brain और DeepMind — को एक Google DeepMind में मिलाने के लिए प्रेरित किया, और Gemini संयुक्त team का पहला flagship था। Version 1.0, 2023 के अंत में तीन sizes (Ultra, Pro और Nano) में आया; Bard चुपचाप Gemini Pro पर चलने लगा और कुछ महीनों में Google ने Bard नाम पूरी तरह हटा दिया। उसके बाद गति तेज़ रही है: 1.5 ने mixture-of-experts architecture और दस लाख token की context window दी, 2.0 ने agentic features और native tool use पर ज़ोर दिया, तथा 2.5 ने multi-step reasoning को अलग mode के बजाय line-up का मानक हिस्सा बना दिया।
हर काम के लिए एक tier
Gemini के tiers पारंपरिक cost-latency-capability triangle के अनुरूप हैं। Nano परिवार का छोटा भाषा मॉडल है: यह Pixel phones और Chrome में device पर चलता है और smart replies तथा summarization जैसे काम बिना network round trip के करता है, जिससे data local और responses तुरंत रहते हैं। Flash इस समझौते के cloud वाले छोर पर है — high-volume workloads के लिए बना distilled, throughput-optimized मॉडल, जहाँ आख़िरी कुछ benchmark points निकालने से ज़्यादा प्रति दस लाख token की कीमत मायने रखती है। Pro कठिन reasoning, coding और multimodal analysis का flagship workhorse है, जबकि 1.0 generation का सबसे ऊँचा tier Ultra अपने समय के सबसे demanding tasks के लिए Google की पेशकश था। Tier चुनना engineering decision है, वफ़ादारी की परीक्षा नहीं: कई teams Pro पर prototype बनाती हैं, फिर असली query distribution देखने के बाद आसान traffic को Flash पर route कर देती हैं।
Native multimodality
अधिकतर मल्टीमॉडल systems को जोड़कर बनाया जाता है: text model लें, vision encoder लगाएँ, speech-to-text front end जोड़ें और inference के समय हिस्सों को चिपका दें। Gemini को उलटे ढंग से design किया गया — शुरुआत से interleaved text, images, audio और video पर संयुक्त रूप से train किया गया, ताकि ये modalities pipeline में एक-दूसरे को संदेश देने के बजाय एक ही representation space साझा करें। व्यावहारिक फ़ायदा उन tasks में दिखता है जो pipelined systems को उलझाते हैं: एक घंटे का video देखकर किसी ख़ास पल पर सवालों का जवाब देना, photograph किए whiteboard पर reasoning करना या अलग transcription step के बिना बोली गई बातचीत का अनुसरण करना। बाद की generations केवल perceive नहीं बल्कि generate भी करती हैं — chat के भीतर native image output और editing, तथा Gemini app में उपलब्ध Google के video model Veo के ज़रिए video। यहाँ multimodality features की checklist नहीं बल्कि training methodology है, और PaLM जैसे Google के पुराने text-first models से यह सबसे स्पष्ट architectural अलगाव है।
दस लाख token की context window
Gemini 1.5 Pro ने long context को अपना प्रमुख feature बनाया और उस समय दस लाख token की कॉन्टेक्स्ट विंडो दी जब अधिकतर models उसकी छोटी-सी fraction तक सीमित थे; बाद के versions इसे 20 लाख तक ले गए। ठोस रूप में, दस लाख tokens लगभग 1,500 pages के text, बड़े codebase या एक ही prompt में कई घंटे के audio और video के बराबर हैं — इतने कि बहुत-से workloads में chunking और retrieval छोड़ सकें। इससे building का तरीका बदलता है: RAG pipeline खड़ी करने के बजाय कभी-कभी पूरा document set prompt में डालकर सीधे सवाल पूछे जा सकते हैं। मगर सीमाएँ महत्वपूर्ण हैं। बहुत लंबे inputs पर attention quality गिरती है, इसलिए बीच में दबा detail window में fit होने के बावजूद छूट सकता है; input length के साथ cost और latency बढ़ते हैं; और corpus कुछ million tokens से बड़ा होते ही retrieval फिर लौट आता है। Long context क्षमता की वास्तविक छलाँग है, लेकिन retrieval engineering को हटाता नहीं बल्कि उसके साथ समझौता करता है।
Gemini नाम का कोई एक मॉडल नहीं है
भ्रम का एक आम स्रोत यह है कि लोग कहते हैं, "Gemini ने मुझे बताया…", मानो Gemini कोई एक मॉडल हो। ऐसा कभी नहीं था। यह नाम generations और tiers में फैले model family, ऐसे consumer app जो load और subscription tier के अनुसार आपके prompt को अलग sizes पर route कर सकता है, स्पष्ट version strings वाले API endpoints, और Workspace व Android के भीतर चलने वाले अन्य variants वाले AI features — सबको समेटता है। एक ही सप्ताह में "Gemini" के बारे में नोट्स मिलाने वाले दो लोग पूरी तरह अलग models से बात कर रहे हो सकते हैं, और आज app में इस्तेमाल होने वाला मॉडल संभवतः कुछ महीने पहले वाला नहीं है। Reproducibility के लिए यह मायने रखता है: Chatbot Arena जैसे public leaderboards पर परिवार के मज़बूत परिणामों सहित benchmark results, Gemini 2.5 Pro जैसे किसी specific version पर लागू होते हैं, brand पर नहीं। जहाँ precision मायने रखती है वहाँ API से exact model version pin करें — app की convenience layer ठीक इसी distinction को छिपाने के लिए बनी है।