Gemini AI大模型专家解读20251123.pdfVIP

GeminiAI大模型专家解

2025年11月24日

关键词

多模态推理能力大模型理解能力功能表现端到端开发者编程语言模型工业级交互应用场景综合

理解力token统一词表思考力transformer生成式AI

全文摘要

东方财富证券分析师

专家讨论了大模型技术的发展，特别提到了谷歌即将发布的Google3.0，强调其在多模态理解能力上的

进步，尽管Google2.5在推理速度和理解力上有不足，但其在编程、思考和推理方面的进展吸引了大量

开发者。国内大模型技术在多模态推理理解能力上与谷歌相比存在差距，专家强调了多模态模型的重要

性及其在现实世界应用中的潜力，如桌面交互、教育、设计等。未来大模型技术的发展方向可能包括全

模态模型整合、垂直行业应用以及应对算力需求的增长。同时，专家提到腾讯在多模态技术上的进展较

慢，而阿里巴巴在模型能力提升和商业化应用上更为积极。大模型技术对教育、设计和日常应用产生了

影响，强调了多模态理解能力对提升用户体验的重要性，同时也指出了B端和C端应用的潜力以及未来

可能面临的挑战，如算力需求的增加和技术标准的制定。

章节速览

大模型2.5：多模态理解技术突破与关注点偏移

大模型2.5在多模态端到端原生理解方面实现技术突破，尽管在编程、思考、推理等基础能力上表现优

异，吸引了大量开发者，但其多模态推理理解能力偏慢，理解力有限，导致关注点偏向于大语言模型表

现，而忽视了其多模态理解模型的领先地位。过去6到8个月，谷歌更多利用2.5的多模态能

力，如overview和AMO等功能，解决大模型在多模态理解上的质的突破问题。

多模态理解技术在互联网应用中的潜力与挑战

讨论了多模态理解技术在功能表现、价格及推理速度方面的优势，以及其在互联网应用中的实际需求。

指出国内自媒体对生成能力的过度关注可能造成对理解能力提升的忽视，并强调了技术从测试版到稳定

商用版的过渡期及实际应用案例的重要性。

大模型多模态输入与推理能力的未来应用

讨论了大模型在多模态输入和推理能力方面的潜力，指出其在延续用户错误和衍生知识上的优势，以及

未来可能在企业应用、C端生活和B端工业场景中的创新玩法。同时强调了大模型对交互方式变革的重

要性，以及其在人机交互领域的潜在影响。

Google多模态模型优势与应用场景解析

对话深入解析了Google多模态模型的工作模式，强调了其在统一词表处理、深度推理和信息发散上的优

势，对比国内现状，指出在算力和研发上的差距。同时，讨论了经济价值大的应用场景，如智能客服、

内容审核等，展现了多模态技术在解决实际问题上的潜力。

多模态AI技术在工业级应用的前景与挑战

对话讨论了多模态AI技术在桌面应用、手机交互、嵌入式应用等领域的潜在价值与挑战，强调了其在提

高办公效率、改善用户体验、创造商业价值方面的潜力，同时指出了技术落地需解决的延时与兼容性问

题，以及未来可能对消费电子行业带来的变革。

AI手机定义与操作系统话语权探讨

对话深入探讨了AI手机的定义，强调了操作系统，尤其是安卓系统，对于AI手机标准制定的重要性。通

过摄像头和桌面信息的数据处理，操作系统能够提供抽象知识信息，影响APP的运行。苹果和安卓等操

作系统厂商正致力于本地信息处理，预示着AI手机硬件和交互能力的未来发展方向。此外，还提到

了Transformer模型在AI领域的应用潜力。

AI模型未来发展与全模态整合趋势

对话探讨了当前AI模型，如DM3，在多模态理解和推理能力上的不足，预测短期内将通过高质量整合实

现进步。长远来看，业界预期Google的German系列和OpenAI的模型将整合多模态理解，形成具备深度

思考能力的全模态模型，预计在未来6到12个月内实现，这将带来生产力的质的飞跃。国内全模态模型

虽能生成视频等，但缺乏推理能力，与海外模型有本质区别。

大模型发展与自回归技术在视频生成中的应用探讨

讨论了未来大模型的发展方向，包括全模态垂类模型与基座模型的分支，以及自回归技术在视频生成中

的宏观与微观应用。宏观上，自回归技术能无限滚动生成内容，但存在资源消耗大和剧情发散慢的问

题；微观上，替代diffusion面临线性阻塞挑战，需解决并行渲染和剧情一致性问题。

国内大模型技术进展与竞争格局

讨论了国内大模型如千问、deepseek、豆包系列及初创公司KM、minimax等的技术规划与表现，指

出deepseek在性能优化上的显著进步，以