Last chance! 50% off DataCamp Premium
Sale ends in
Gemini 2.0 के साथ मल्टीमोडल ऐप्स | एक स्थानीय YouTube कंटेंट क्रिएटर टूल बनाएँ
Gemini 2.0 Flash Thinking Experimental एक मल्टीमोडल AI मॉडल है, अर्थात यह इनपुट के रूप में टेक्स्ट और इमेज—दोनों को प्रोसेस कर सकता है। इसका मतलब है कि हम इसे उन कार्यों के लिए उपयोग कर सकते हैं जिनमें विज़ुअल संदर्भ की आवश्यकता होती है, जैसे कि डायग्राम की व्याख्या करना, चार्ट का विश्लेषण करना, या जटिल दस्तावेज़ों से अंतर्दृष्टि निकालना।
हालाँकि, कुछ अन्य मल्टीमोडल मॉडलों के विपरीत, Flash Thinking केवल टेक्स्ट-आधारित आउटपुट देता है, यानी यह प्रतिक्रिया में इमेज या विज़ुअल डेटा उत्पन्न नहीं करता।
इसकी एक प्रमुख विशेषता इसका विशाल संदर्भ विंडो है, जो इनपुट के रूप में 10 लाख टोकन तक का समर्थन करता है और 64,000 टोकन तक के उत्तर जनरेट कर सकता है। यह इसे लंबी-रूप रीजनिंग के लिए उपलब्ध सबसे व्यापक AI मॉडलों में से एक बनाता है, जिससे यह पूरी किताबें, शोध पत्र, या लंबी बातचीत का विश्लेषण करते हुए सामंजस्य बनाए रख सकता है।
बड़ा टोकन लिमिट यह सुनिश्चित करता है कि मॉडल विस्तारित इंटरैक्शन के दौरान जटिल तर्कों पर नज़र रख सके, जिससे उपयोगकर्ताओं को बार-बार संदर्भ दोहराने की आवश्यकता कम हो जाती है।
ध्यान रखने योग्य एक मुख्य सीमा यह है कि Flash Thinking का नॉलेज कटऑफ जून 2024 है। यानी इसके पास उस समय के बाद की घटनाओं का अंतर्निहित ज्ञान नहीं है।
इसी कारण यह हैलुसीनेट कर सकता है या गलत अनुमान लगा सकता है, जैसा कि नीचे दिए उदाहरण में है। क्योंकि इसने Gemini 2.0 Flash Thinking Experimental के बारे में कभी नहीं सुना, इसने गलत तरह से मान लिया कि यह मॉडल Gemini Advanced के समकक्ष है और गलत तारीख दे दी।
ऐप्स के साथ Gemini 2.0 Flash Thinking Experimental
ऊपर उल्लिखित नॉलेज कटऑफ को संबोधित करने के लिए, Google ने Gemini 2.0 Flash Thinking Experimental में YouTube, Maps और Search की कार्यक्षमता एकीकृत की है। आप मॉडल के ड्रॉप-डाउन मेन्यू से इस कार्यक्षमता को सक्षम कर सकते हैं:
ध्यान दें कि इन टूल्स का उपयोग करना सही उत्तर की गारंटी नहीं देता। उदाहरण के लिए, यह अभी भी रिलीज़ डेट गलत बता बैठा, लेकिन इस बार यह काफ़ी करीब था—सही रिलीज़ डेट 5 फरवरी, 2025 है (नीचे उदाहरण देखें)। यह इसलिए हुआ क्योंकि मॉडल ने Search टूल का उपयोग किया और अपनी जानकारी दो उद्धृत वेबसाइटों से ली। चूँकि ये साइटें 6 फरवरी, 2025 को प्रकाशित हुई थीं, मॉडल ने गलत निष्कर्ष निकाला कि वही Gemini 2.0 Flash Thinking Experimental की रिलीज़ डेट है।
मॉडल अपने-आप प्रॉम्प्ट के आधार पर ज़रूरी टूल चुन लेता है। उदाहरण के लिए, जब मैंने Bucharest से London तक के सर्वोत्तम ड्राइविंग रूट के बारे में पूछा, तो मॉडल ने स्वतः Google Maps टूल चुना। नीचे Google Maps का आइकन और अपनी रीजनिंग प्रक्रिया में Google Maps टूल का उल्लेख देखें।
ध्यान दें कि मैं मॉडल को परखने के लिए केवल ये सामान्य प्रश्न पूछ रहा हूँ—ऊपर वाले प्रश्न के लिए साधारण 2.0 Flash मॉडल ही पर्याप्त है। जैसा कि हम नीचे के खंड में देखेंगे, Gemini 2.0 Flash Thinking Experimental का सर्वश्रेष्ठ उपयोग उन्नत गणित, विज्ञान और मल्टीमोडल रीजनिंग के लिए है।
बेंचमार्क: Gemini 2.0 Flash Thinking Experimental
Google का Gemini 2.0 Flash Thinking Experimental रीजनिंग-आधारित कार्यों में महत्वपूर्ण सुधार दिखाता है, और कई प्रमुख बेंचमार्क्स में अपने पूर्ववर्तियों को पछाड़ता है (गणित, विज्ञान, और मल्टीमोडल रीजनिंग पर फोकस के साथ)।
|
बेंचमार्क |
Gemini 1.5 Pro 002 |
Gemini 2.0 Flash Exp |
Gemini 2.0 Flash Thinking Exp 01-21 |
|
AIME2024 (गणित) |
19.3% |
35.5% |
73.3% |
|
GPQA Diamond (विज्ञान) |
57.6% |
58.6% |
74.2% |
|
MMMU (मल्टीमोडल रीजनिंग) |
64.9% |
70.7% |
75.4% |
Source: Google
AIME2024 (गणित) बेंचमार्क पर, Gemini 2.0 Flash Thinking Experimental ने 73.3% हासिल किया, जो Gemini 2.0 Flash Experimental के 35.5% और Gemini 1.5 Pro के 19.3% से बड़ा उछाल है। तुलना के लिए, OpenAI का o3-mini (high) इस बेंचमार्क पर 87.3% स्कोर किया।
इसी तरह, GPQA Diamond (विज्ञान) के लिए, मॉडल 74.2% तक पहुँचा, जो पिछली संस्करण के 58.6% से सुधार है। तुलना के लिए, DeepSeek-R1 ने इस बेंचमार्क पर 71.5% (pass@1—पहले प्रयास में) स्कोर किया, जबकि OpenAI का o1 75.7 (pass@1) और o3-mini (high) 79.7% पर रहा।
MMMU (मल्टीमोडल रीजनिंग) में, जो मॉडल की कई मॉडैलिटी में जानकारी को एकीकृत और व्याख्यायित करने की क्षमता का आकलन करता है, Gemini 2.0 Flash Thinking Experimental ने 75.4% स्कोर किया, जो एक बार फिर अपने पहले के संस्करणों से बेहतर है।
जैसा कि हमने अन्य रीजनिंग मॉडलों में देखा है, 2.0 Flash Thinking की रीजनिंग क्षमताएँ बढ़े हुए इन्फेरेंस कंप्यूट के साथ स्केल करती हैं (नीचे ग्राफ देखें)। इन्फेरेंस कंप्यूट से तात्पर्य उस कम्प्यूटिंग शक्ति से है जो आप प्रॉम्प्ट देने के बाद उपयोग होती है।
Source: Google
Gemini 2.0 Flash Thinking Experimental तक कैसे पहुँचें
Google ने Gemini 2.0 Flash Thinking Experimental को कई प्लेटफ़ॉर्म्स पर उपलब्ध कराया है, जिनमें Gemini उपयोगकर्ताओं के लिए प्रत्यक्ष पहुँच भी शामिल है।
Gemini चैट (Gemini ऐप और वेब)
Gemini 2.0 Flash Thinking तक पहुँचने का सबसे आसान तरीका Google का Gemini चैट इंटरफ़ेस है, जो Gemini वेब ऐप और Gemini मोबाइल ऐप—दोनों में उपलब्ध है।
इस लेख को प्रकाशित करते समय, 2.0 Flash Thinking तक पहुँच सभी उपयोगकर्ताओं के लिए नि:शुल्क उपलब्ध है।
मॉडल तक पहुँचने के लिए ऊपर बाएँ स्थित ड्रॉप-डाउन मेन्यू का उपयोग करें:
Google AI Studio
Google AI Studio Flash Thinking का उपयोग करने का एक और तरीका है। यह वेब-आधारित प्लेटफ़ॉर्म अधिक उन्नत उपयोगकर्ताओं के लिए है, और आपको मॉडल की रीजनिंग क्षमताओं के साथ प्रयोग करने, temperature जैसे पैरामीटर्स को नियंत्रित करने, जटिल क्वेरीज़ का परीक्षण करने, स्ट्रक्चर्ड उत्तरों का अन्वेषण करने, आदि की अनुमति देता है।
Gemini API
वे डेवलपर्स जो अपनी एप्लिकेशन्स में Flash Thinking को इंटीग्रेट करना चाहते हैं, उनके लिए Gemini 2.0 Flash Thinking Gemini API के माध्यम से उपलब्ध है।
निष्कर्ष
Gemini 2.0 Flash Thinking Experimental Google की AI रीजनिंग में बढ़त को आगे बढ़ाता है और अब Gemini ऐप उपयोगकर्ताओं के लिए उपलब्ध है। यह अपनी विचार-प्रक्रिया समझाकर, उत्तरों को कदम-दर-कदम संरचना देकर, और Search, YouTube, तथा Maps जैसे टूल्स का उपयोग करके अलग दिखता है।
उम्मीद जगाने के बावजूद, Flash Thinking को अभी भी बीच-बीच में अशुद्धियों और स्रोतों पर अत्यधिक निर्भरता जैसी चुनौतियों का सामना है। चूँकि OpenAI और DeepSeek भी रीजनिंग मॉडलों को आगे बढ़ा रहे हैं, देखना दिलचस्प होगा कि इस क्षेत्र में प्रतिस्पर्धा कैसे विकसित होती है। मैं हमारा नए Gemini 3 मॉडल का गाइड भी देखने की सलाह देता हूँ।
