As habilidades de análise de dados do Gemini não são tão boas quanto o Google afirma
Um dos pontos de venda dos principais modelos de IA generativa do Google, Gêmeos 1.5 Pro e 1.5 Flashé a quantidade de dados que eles supostamente podem processar e analisar. Em briefings de imprensa e demonstrações, o Google repetidamente afirmou que os modelos podem realizar tarefas antes impossíveis graças ao seu “longo contexto”, como resumir vários documentos de centenas de páginas ou pesquisar cenas em filmagens.
Mas novas pesquisas sugerem que os modelos não são, de fato, muito bons nessas coisas.
Dois separado estudos investigaram o quão bem os modelos Gemini do Google e outros fazem sentido a partir de uma quantidade enorme de dados — pense em trabalhos do tamanho de “Guerra e Paz”. Ambos descobriram que o Gemini 1.5 Pro e o 1.5 Flash têm dificuldade para responder perguntas sobre grandes conjuntos de dados corretamente; em uma série de testes baseados em documentos, os modelos deram a resposta certa apenas 40% 50% das vezes.
“Embora modelos como o Gemini 1.5 Pro possam processar tecnicamente contextos longos, vimos muitos casos indicando que os modelos não 'entendem' realmente o conteúdo”, disse Marzena Karpinska, pós-doutoranda na UMass Amherst e coautora de um dos estudos, ao TechCrunch.
A janela de contexto do Gemini está faltando
O contexto de um modelo, ou janela de contexto, refere-se aos dados de entrada (por exemplo, texto) que o modelo considera antes de gerar a saída (por exemplo, texto adicional). Uma pergunta simples – “Quem ganhou as eleições presidenciais dos EUA em 2020?” – pode servir como contexto, assim como um roteiro de filme, programa ou clipe de áudio. E à medida que as janelas de contexto aumentam, também aumenta o tamanho dos documentos que cabem nelas.
As versões mais recentes do Gemini podem receber mais de 2 milhões de tokens como contexto. (“Tokens” são pedaços subdivididos de dados brutos, como as sílabas “fan”, “tas” e “tic” na palavra “fantástico”.) Isso equivale a cerca de 1,4 milhão de palavras, duas horas de vídeo ou 22 horas de áudio — o maior contexto de qualquer modelo comercialmente disponível.
Em um briefing no início deste ano, o Google mostrou várias demos pré-gravadas destinadas a ilustrar o potencial dos recursos de contexto longo do Gemini. Uma delas fez o Gemini 1.5 Pro pesquisar a transcrição da transmissão do pouso na lua da Apollo 11 — cerca de 402 páginas — em busca de citações contendo piadas, e então encontrar uma cena na transmissão que parecia semelhante a um esboço a lápis.
O vice-presidente de pesquisa do Google DeepMind, Oriol Vinyals, que liderou o briefing, descreveu o modelo como “mágico”.
“[1.5 Pro] executa esse tipo de tarefa de raciocínio em cada página, em cada palavra”, disse ele.
Isso pode ter sido um exagero.
Num dos estudos acima mencionados que comparam estas capacidades, Karpinska, juntamente com investigadores do Instituto Allen de IA e de Princeton, pediu aos modelos que avaliassem afirmações verdadeiras/falsas sobre livros de ficção escritos em inglês. Os pesquisadores escolheram trabalhos recentes para que os modelos não pudessem “trapacear” confiando em conhecimento prévio, e salpicaram as declarações com referências a detalhes específicos e pontos da trama que seriam impossíveis de compreender sem ler os livros na íntegra.
Dada uma declaração como “Ao usar suas habilidades como Apoth, Nusis é capaz de fazer engenharia reversa do tipo de portal aberto pela chave de reagentes encontrada no baú de madeira de Rona”, Gemini 1.5 Pro e 1.5 Flash – tendo ingerido o livro relevante – teve que diga se a afirmação era verdadeira ou falsa e explique seu raciocínio.
Testado em um livro com cerca de 260.000 palavras (~520 páginas) de extensão, os pesquisadores descobriram que o 1.5 Pro respondeu às declarações verdadeiro/falso corretamente 46,7% das vezes, enquanto o Flash respondeu corretamente apenas 20% das vezes. Isso significa que uma moeda é significativamente melhor em responder perguntas sobre o livro do que o modelo de aprendizado de máquina mais recente do Google. Fazendo a média de todos os resultados de benchmark, nenhum dos modelos conseguiu atingir uma chance maior do que aleatória em termos de precisão de resposta a perguntas.
“Percebemos que os modelos têm mais dificuldade em verificar alegações que exigem considerar partes maiores do livro, ou mesmo o livro inteiro, em comparação com alegações que podem ser resolvidas recuperando evidências em nível de sentença”, disse Karpinska. “Qualitativamente, também observamos que os modelos têm dificuldade em verificar alegações sobre informações implícitas que são claras para um leitor humano, mas não explicitamente declaradas no texto.”
O segundo dos dois estudos, coautorado por pesquisadores da UC Santa Barbara, testou a capacidade do Gemini 1.5 Flash (mas não do 1.5 Pro) de “raciocinar sobre” vídeos — ou seja, pesquisar e responder perguntas sobre o conteúdo neles.
Os coautores criaram um conjunto de dados de imagens (por exemplo, uma foto de um bolo de aniversário) emparelhado com perguntas para o modelo responder sobre os objetos representados nas imagens (por exemplo, “Que personagem de desenho animado está neste bolo?”). Para avaliar os modelos, eles escolheram uma das imagens aleatoriamente e inseriram imagens “distratoras” antes e depois dela para criar imagens semelhantes a uma apresentação de slides.
O Flash não teve um desempenho tão bom. Em um teste em que o modelo transcreveu seis dígitos manuscritos de uma “apresentação de slides” de 25 imagens, o Flash acertou cerca de 50% das transcrições. A precisão caiu para cerca de 30% com oito dígitos.
“Em tarefas reais de resposta a perguntas sobre imagens, parece ser particularmente difícil para todos os modelos que testamos”, disse Michael Saxon, um aluno de doutorado na UC Santa Barbara e um dos coautores do estudo, ao TechCrunch. “Essa pequena quantidade de raciocínio — reconhecer que um número está em um quadro e lê-lo — pode ser o que está quebrando o modelo.”
O Google está prometendo demais com o Gemini
Nenhum dos estudos foi revisado por pares, nem analisam os lançamentos do Gemini 1.5 Pro e 1.5 Flash com contextos de 2 milhões de tokens. (Ambos testaram os lançamentos de contexto de 1 milhão de tokens.) E o Flash não foi criado para ser tão capaz quanto o Pro em termos de desempenho; o Google o anuncia como uma alternativa de baixo custo.
No entanto, ambos Adicione combustível ao fogo que o Google tem prometido demais – e entregue pouco – com Gemini do começo. Nenhum dos modelos testados pelos pesquisadores, incluindo o OpenAI GPT-4o e Antrópico Soneto de Cláudio 3.5, teve um bom desempenho. Mas o Google é o único fornecedor modelo que recebe o faturamento superior da janela de contexto em seus anúncios.
“Não há nada de errado com a simples afirmação: 'Nosso modelo pode receber um número X de tokens' com base em detalhes técnicos objetivos”, disse Saxon. “Mas a questão é: que coisa útil você pode fazer com isso?”
Em termos gerais, a IA generativa está a ser alvo de um escrutínio cada vez maior à medida que as empresas (e os investidores) ficam frustrados com as limitações da tecnologia.
Em um duas pesquisas recentes de Boston Consulting Group, cerca de metade dos entrevistados – todos executivos de alto escalão – disseram que não esperam que a IA generativa traga ganhos substanciais de produtividade e que estão preocupados com o potencial de erros e comprometimento de dados decorrentes da IA generativa. ferramentas elétricas. PitchBook recentemente relatado que, durante dois trimestres consecutivos, a negociação generativa de IA nas fases iniciais diminuiu, caindo 76% em relação ao seu pico no terceiro trimestre de 2023.
Diante de chatbots que resumem reuniões e evocam detalhes fictícios sobre pessoas e plataformas de busca de IA que basicamente equivalem a geradores de plágio, os clientes estão em busca de diferenciadores promissores. O Google — que correu, às vezes desajeitadamentepara alcançar seus rivais de IA generativa – estava desesperado para fazer do contexto do Gemini um desses diferenciadores.
Mas a aposta foi prematura, ao que parece.
“Ainda não estabelecemos uma maneira de realmente mostrar que está ocorrendo ‘raciocínio’ ou ‘compreensão’ em documentos longos, e basicamente todos os grupos que divulgam esses modelos estão montando suas próprias avaliações ad hoc para fazer essas afirmações”, disse Karpinska. . “Sem saber por quanto tempo o processamento de contexto é implementado – e as empresas não compartilham esses detalhes – é difícil dizer quão realistas são essas afirmações.”
O Google não respondeu a um pedido de comentário.
Tanto Saxon quanto Karpinska acreditam que os antídotos para alegações exageradas em torno da IA generativa são melhores benchmarks e, na mesma linha, maior ênfase na crítica de terceiros. Saxon observa que um dos testes mais comuns para contexto longo (citado generosamente pelo Google em seus materiais de marketing), “agulha no palheiro”, mede apenas a capacidade de um modelo de recuperar informações específicas, como nomes e números, de conjuntos de dados — não responder a perguntas complexas sobre essas informações.
“Todos os cientistas e a maioria dos engenheiros que utilizam estes modelos estão essencialmente de acordo que a nossa cultura de benchmark existente está quebrada”, disse Saxon, “por isso é importante que o público compreenda que deve levar estes relatórios gigantescos contendo números como 'inteligência geral através de benchmarks' com um enorme grão de sal.”
