Google 釋出 Gemini 2.0：原生輸出圖音，全面殺入智慧體時代

以前大家跟大模型聊天，總覺得像隔著一堵牆。你打字，它吐字；你傳張圖，它慢吞吞解析完再給你回一段文本。但如果 AI 能在同一通對話裡直接畫圖、張嘴說多種語言，還能順手幫你去搜網頁、改程式碼、跑瀏覽器，感覺就完全變了。

Google 正式釋出了 Gemini 2.0，主打的就是幫人辦事的 Agent 能力。這次率先亮相的是 Gemini 2.0 Flash 實驗版，不僅在多項基準測試上超越了上一代的 1.5 Pro，而且推理速度直接快了一倍。更關鍵的是，整套模型的訓練和推理全部跑在 Google 第六代 TPU Trillium 上，並且 Trillium 也同步向企業客戶全面開放。

速度翻倍，輸出不再只是純文字

先看大家馬上能用到的底座能力。2.0 Flash 最大的變化，是真正做到了原生多模態輸出。以前模型生成圖片或語音，往往是在背後呼叫別的模型拼裝出來的。現在 2.0 Flash 可以在單次 API 呼叫裡，直接把文本、原生生成的圖片以及可調節的多語言語音混在一起吐出來。為了安全，所有生成的圖文和音訊都會打上 SynthID 隱形水印。

它呼叫工具的本事也變成了原生能力。模型不僅能直接跑程式碼、調第三方介面，還能像人一樣併發使用 Google 搜尋，同時從多個網頁裡交叉核實資訊。

配合新推出的 Multimodal Live API，開發者可以用音訊和影片流做低延遲互動。它支援即時打斷和語音活動檢測，而且不像隔壁某些競品的高階語音功能要按月收高額訂閱費，這個即時流能力目前在 Google AI Studio 已經能免費上手體驗。

會逛網頁的 Mariner，和直連 GitHub 的 Jules

除了底座模型，Google 這次一口氣端出了好幾個很有野心的智慧體原型。

代號 Project Mariner 的實驗性 Chrome 外掛最搶眼。它在 WebVoyager 網頁任務基準測試裡拿到了 83.5% 的高分。它能看懂瀏覽器當前標籤頁裡的畫素、文字和表單，自己幫你點選、滾動和打字來完成操作。為了防止 AI 瞎搞，它目前只能在活躍標籤頁內活動，遇到花錢買東西等敏感操作時，必須停下來等人工確認。

程式設計師也有專屬福利。代號 Jules 的程式碼 Agent 可以直接接進 GitHub。你在團隊修完一輪 Bug 後，可以直接把 Python 和 JavaScript 任務扔給它。Jules 會自己拆解多步驟計劃、跨多個檔案改程式碼，並提 Pull Request。結合程式碼執行工具後，2.0 Flash 在 SWE-bench Verified 測試裡拿下了 51.8% 的成績。

此外，早先展示過的 Project Astra 也升了級，支援 Google 搜尋、鏡頭和地圖工具，會話記憶延長到了 10 分鐘，還開始在一小批原型智慧眼鏡上做測試。Gemini Advanced 使用者還能用上 Deep Research 功能，直接讓 AI 跑幾輪深度檢索並整理出長篇報告。

為什麼重要

我們認為，Google 這次最厲害的地方，是把競爭焦點從單純的比拼引數規模，拉到了極致的速度與多模態原生互動上。把 Flash 這種輕量級主力模型做強，比砸錢做個又慢又貴的巨無霸模型，對開發者來說實用得多。低延遲加上原生圖文音輸出，意味著在客服、即時輔導和同聲傳譯場景裡，開發者的架構能砍掉一大堆膠水程式碼。

普通使用者現在登入 Gemini 網頁版就能在下拉選單裡切到 2.0 Flash，Gemini Advanced 使用者還能試用 Deep Research。至於 Mariner 和 Jules 這種代幹雜活的 Agent，雖然還在測試階段，但看起來離真正落地進 Chrome 和日常辦公已經不遠了。

不過隱患依然擺在眼前。即使 Mariner 拿到了 83.5% 的任務成功率，剩下的 16.5% 失敗率在網頁互動裡依然致命。AI 如果在複雜的訂票或填表流程中點錯了按鈕，使用者排查起來可能比自己重填一遍還要累。而且它目前只能單標籤頁執行，離真正無縫的多工協同還有差距。但不可否認，Google 靠全棧硬體和極快的產品迭代，在 Agent 這條路上打出了一記漂亮的反擊。