周四，谷歌 YouTube 官方账号发布的一个名为 “与 Gemini 亲密互动：与多模态 AI 交互” 的视频引发了网友围观，一天之内观看次数达到 140 万次。<figure class="image"><img src="https://pub.pbkrs.com/uploads/2023/7b764898abf98cda3bc62ae346659211?x-oss-process=style/lg" width="509" height="366" original-src="https://pub.pbkrs.com/uploads/2023/7b764898abf98cda3bc62ae346659211"/></figure>这个视频之所以能吸引这么多目光，是因为它展示了谷歌史上最强 Gemini 多模态模型在交互方面令人印象深刻的表现。在这段时长 6 分 22 秒的视频中，Gemini 对输入的语音、图像等提示做出了灵活、流畅的响应和理解，展现出强大的多模态理解和交互能力。然而，据科技媒体 TechCrunch 最新报道，有用户仔细研究该视频后，发现 Gemini 的惊艳表现几乎都是 “伪造” 的。视频中 Gemini 对画面的描述、对玩具识别和提问的回答等互动都是人为设置的，视频跳过了部分提示以及模型的推理过程，给观众营造一种 Gemini 智能又敏捷的假象。<h2 id="u0589onsm">Gemini 可能没有那么智能</h2>Gemini 在视频中展示了多种交互技能，比如识别玩具鸭、跟踪杯子戏法中的球、识别手势、重排星球顺序等。比如，在第一个演示中，Gemini 识别了一个鸭子素描从一条线到完整画面的演变过程。当演示者将鸭子素描填满蓝色颜料时，Gemini 指出鸭子通常是棕色、白色或黑色的，不会是蓝色的。<figure class="image"><img src="https://pub.pbkrs.com/uploads/2023/1fbf5c6a961cb22e5b1ebaaba7b0207e?x-oss-process=style/lg" width="865" height="437" original-src="https://pub.pbkrs.com/uploads/2023/1fbf5c6a961cb22e5b1ebaaba7b0207e"/></figure>然后，当 Gemini 看到一个蓝色玩具鸭时，它惊讶地说道：&#34;这是什么玩意！&#34;接下来它回答了关于这个玩具鸭的各种语音提问。整段视频中，Gemini 的反应都很快，回答纵享丝滑，但问题在于，它的反应不够真实。媒体通过捕捉素材来测试 Gemini 在各种场景下的反应能力，重新制作了一个演示视频。然后，用视频素材中的静态画面框提示 Gemini，并通过文字输入进行提示。结果显示， Gemini 确实具备视频中展示的某些能力，但并没有真正如视频所示的那样快速、流畅地完成所有互动任务。但据 TechCrunch 称，视频中展示的交互效果，其实并不是真实的即时交互，而是事先设置好的。视频用的是一系列特意准备的文本提示，以及配套的静态图片，通过挑选和剪裁这些预设素材，制作成真实交互的效果。这样做其实是为了误导观众，让人们相信视频中展示的是 Gemini 真正的即时交互能力。但很可能的是，Gemini 在交互速度、准确性等方面均没有视频中展示的那样强大。<figure class="image"><img src="https://pub.pbkrs.com/uploads/2023/7b764898abf98cda3bc62ae346659211?x-oss-process=style/lg" width="509" height="366" original-src="https://pub.pbkrs.com/uploads/2023/7b764898abf98cda3bc62ae346659211"/></figure><h2 id="gw2z68f">视频和文档展示的提示，差别很大</h2>值得注意的是，当 TechCrunch 对比视频和谷歌发布的文档演示时，发现两者的提示存在差异。比如，在视频的 2 点 45 分处，一只手做出了一系列手势，没有配合语音提示。Gemini 很快回应道：“我知道你在做什么！你在玩石头、剪刀、布！”<figure class="image"><img src="https://pub.pbkrs.com/uploads/2023/5e40e75c77f68b8cfefd15ab7007e7a0?x-oss-process=style/lg" width="800" height="398" original-src="https://pub.pbkrs.com/uploads/2023/5e40e75c77f68b8cfefd15ab7007e7a0"/></figure>但谷歌的 Gemini 能力文档一开始就明确指出，该模型不能通过识别单个手势来推理，提示必须同时展示全部 3 个手势，并给提示词 “这是什么游戏”，只有这样它才能识别出 “石头、剪刀、布”。<figure class="image"><img src="https://pub.pbkrs.com/uploads/2023/b70168ea55b9ddc26c03e6c6733044ff?x-oss-process=style/lg" width="750" height="549" original-src="https://pub.pbkrs.com/uploads/2023/b70168ea55b9ddc26c03e6c6733044ff"/></figure>所以视频中的表现完全不符合文档所述的提示限制，无法展示出 Gemini 的真正识别能力。另外，Gemini 识别星球顺序的场景也可能具有欺骗性。演示者展示了贴有太阳、土星和地球涂鸦的便利贴，询问 Gemini 行星顺序是否正确，Gemini 给出了正确的太阳、地球、土星顺序。但文档显示真正的提示是，“这是正确的顺序吗？思考离太阳的距离并解释你的推理”。<figure class="image"><img src="https://pub.pbkrs.com/uploads/2023/85ef569bf2b10dd601fbb6a15f273af1?x-oss-process=style/lg" width="739" height="350" original-src="https://pub.pbkrs.com/uploads/2023/85ef569bf2b10dd601fbb6a15f273af1"/></figure>这两种交互感觉上完全不同，视频演示看起来像智能的及时评估，而在真正的交互中，Gemini 需要暗示性很强的提示。另外，在追踪杯子中纸团的演示中，也出现了不同于文档记录的提示的情况。值得注意的是，如果一开始视频就明确表示 “这是对我们研究人员测试过的交互的艺术化呈现”，大家都不会有异议，因为这类视频本来就兼具事实和理想色彩。但是这个视频叫做 “与 Gemini 亲密互动”，并标榜是 “我们最喜欢的交互”，这实际就是说，视频中的交互就是真实交互的意思，但实际上并不是。谷歌甚至没有说明，视频中展示的模型是已经面市的 Gemini Pro 版本，还是预计明年发布的 Gemini Ultra。

谷歌-C

谷歌-A

媒体报道称，视频中 Gemini 对画面的描述、对玩具识别和提问的回答等互动都是人为设置的，视频跳过了部分提示以及模型的推理过程，给观众营造一种 Gemini 智能又敏捷的假象。

刷屏的 Gemini 视频，谷歌 “造假” 了？