Gemini (Google)

Definition

Gemini ist die multimodale LLM-Familie von Google DeepMind, die im Dezember 2023 erstmals veröffentlicht wurde. Der Name verweist auf das Sternzeichen der Zwillinge und symbolisiert den Zusammenschluss der ehemals getrennten Google-Brain- und DeepMind-Teams zu Google DeepMind im April 2023. Gemini ist Googles direkte und strategisch zentrale Antwort auf GPT-4 und Claude und treibt sowohl die Google-Suche (AI Overviews) als auch Google Workspace.

Im Unterschied zu GPT-4 wurde Gemini von Beginn an nativ multimodal entwickelt: Text, Bild, Audio und Video werden in einer gemeinsamen Repräsentation verarbeitet, statt separate Encoder zu kombinieren. Diese Architekturentscheidung erlaubt bessere Cross-Modal-Reasoning-Leistung, insbesondere bei Video-Verständnis und bei Tasks, die mehrere Modalitäten gleichzeitig kombinieren.

Architektur

Gemini basiert auf einer Decoder-only-Transformer-Architektur mit Mixture-of-Experts (MoE), die seit Gemini 1.5 öffentlich bestätigt ist. Die wesentlichen Merkmale:

• Native Multimodalität: Audio wird über Universal Speech Model (USM) tokenisiert, Bilder über einen vision-spezifischen Tokenizer, Video als Sequenz von Frames. Alle Modalitäten landen in einem gemeinsamen Token-Stream.
• Mixture of Experts: Pro Forward-Pass wird nur ein Teil der Parameter aktiviert, was grosse Kapazität bei moderater Inferenz-Cost erlaubt.
• Long Context: Spezialisierte Aufmerksamkeits-Mechanismen ermöglichen 1 bis 2 Millionen Tokens Kontextfenster, deutlich mehr als OpenAI und gleichauf mit oder vor Anthropic.
• Training auf TPU v5p: Google nutzt seine eigene Hardware, was strategische Unabhängigkeit von NVIDIA bedeutet und Kostenvorteile bei der Inferenz erlaubt.

Die Trainingsdaten umfassen massive Web-Korpora, YouTube-Transkripte (mit klaren Limits), Code-Repositories und Google-eigene strukturierte Daten. Konkrete Mengen sind nicht veröffentlicht.

Praxis

Gemini ist in Googles Produktportfolio breit verankert:

• Google-Suche: AI Overviews liefern Gemini-Zusammenfassungen oberhalb der klassischen Treffer.
• Google Workspace: Gemini in Gmail, Docs, Sheets, Slides für E-Mail-Entwürfe, Zusammenfassungen, Tabellen-Formeln.
• NotebookLM: Research-Tool mit Source-Grounding und Audio-Overviews (Podcast-Style-Briefings).
• Gemini App: Konsumenten-Chatbot auf Web, Android, iOS, mit Gemini Live für natürliche Sprach-Konversation.
• Vertex AI: Enterprise-Plattform mit Gemini-API, RAG-Tools, Grounding mit Google Search.
• Android und Pixel: On-Device-Inferenz mit Gemini Nano, ersetzt schrittweise Google Assistant.

Die API-Preisstruktur (Stand 2025): Gemini 2.0 Flash bei 0.10 Dollar pro Million Input und 0.40 Dollar Output, Gemini 2.5 Flash bei 0.30 Dollar Input und 2.50 Dollar Output, Pro bei 1.25 bis 5 Dollar Input und 5 bis 15 Dollar Output. Long-Context-Anfragen über 128k Tokens werden gesondert berechnet. Free-Tier in Google AI Studio ermöglicht kostenloses Prototyping mit grosszügigen Limits.

Häufige Fehler

• Modell-Bezeichnung verwechseln: Bard, Gemini App, Gemini API und Vertex AI Gemini sind verschiedene Produkte mit unterschiedlichen Preisen, Limits und Datenschutz-Bedingungen.
• Long Context als Allheilmittel betrachten: Auch bei 2M Tokens Kontextfenster sinkt die Recall-Qualität bei sehr verteilten Informationen. Strukturiertes RAG bleibt oft die robustere Lösung.
• Bildgenerierung mit Imagen verwechseln: Imagen ist Googles eigenständiges Text-to-Image-Modell. Seit 2025 generiert Gemini zusätzlich nativ Bilder: zuerst Gemini 2.0 Flash Image Generation, seit August 2025 Gemini 2.5 Flash Image (bekannt als Nano Banana). Beide Wege haben unterschiedliche Stärken und Preise.
• Sicherheits-Filter unterschätzen: Gemini ist konservativer als GPT-4 oder Claude bei sensiblen Themen, was für manche Anwendungen einschränkend wirkt und in Vertex AI über Safety-Settings angepasst werden muss.
• Vendor Lock-in mit Google-Tools: Tight Integration mit Workspace, Search Grounding und YouTube ist ein Feature, schafft aber Abhängigkeiten, die in Multi-Vendor-Strategien sauber kompensiert werden müssen.

Abgrenzung

• GPT-4 (OpenAI): Hauptkonkurrent, vergleichbare Reasoning-Qualität, geringeres Kontextfenster, breitere Developer-Community.
• Claude (Anthropic): Hauptkonkurrent, lange Zeit besser bei Coding und nuanciertem Reasoning, vergleichbares Kontextfenster.
• Llama (Meta): Open-Source-Alternative, geringere Frontier-Performance, dafür lokal lauffähig und beliebig anpassbar.
• Imagen 3 / Veo / Lyria: Googles spezialisierte Generative-Modelle für Bild, Video und Musik. Werden teils von Gemini per Tool-Call orchestriert.
• PaLM 2: der direkte Vorgänger, 2023 noch aktiv, seit Gemini-Release vollständig abgelöst.
• AlphaCode 2 / AlphaProof: DeepMind-Reasoning-Modelle, technisch eigene Familie, teils auf Gemini-Stack basierend, nicht direkt für Endnutzer verfügbar.