Google DeepMind представляет Gemini Visual — новую эру в генерации изображений и видео

Компания Google DeepMind официально представила Gemini Visual — мультимодальную генеративную модель, которая объединяет генерацию изображений и видео в едином фреймворке. Согласно пресс-релизу, модель способна создавать контент разрешением до 8K с беспрецедентной детализацией и логической согласованностью. В демонстрационных примерах нейросеть с лёгкостью генерировала сложные сцены с множеством объектов, сохраняя физику и освещение.

Gemini Visual использует архитектуру, основанную на диффузионных трансформерах, обученную на 5 миллиардах пар «текст-изображение-видео». Замеры показывают, что модель на 30% точнее понимает запросы, чем DALL-E 4 от OpenAI, и на 25% быстрее выдаёт результат, чем Midjourney V6. Видеоролики могут длиться до 60 секунд с плавной анимацией и синхронизацией звука.

Модель уже доступна в закрытом бета-тестировании для разработчиков и избранных креативных студий. Google DeepMind обещает открыть публичный доступ в течение месяца через API. «Gemini Visual переопределяет стандарты творчества — от кинопроизводства до архитектуры. Мы снимаем барьеры между воображением и реальностью»,— заявил Демис Хассабис, CEO DeepMind. Аналитики уже называют запуск «моментом GPT-4 для визуальных моделей».

С выходом Gemini Visual конкуренция в генеративной ИИ становится жёстче: OpenAI объявила о скором обновлении Sora, а Stability AI готовит Stable Diffusion 4. Однако DeepMind делает ставку на интеграцию с Google Cloud и YouTube, что может дать massive преимущество в распространении. Ожидается, что технология радикально ускорит создание рекламы, игрового контента и даже полнометражных фильмов.