ข่าวโมเดลใหม่ประจำวันนี้ขอเสนอ Gemini Omni 1.2 Flash โมเดลสร้างวิดีโอ เวอร์ชันอัพเกรดจาก Gemini Omni 1.1 Flash ที่เพิ่งออกช่วงปลายเดือนสิงหาคม

ของใหม่ที่สำคัญใน Gemini Omni 1.2 Flash คือสร้างวิดีโอได้ยากขึ้นจากเดิม 10 วินาทีเป็น 15 วินาที และสามารถสั่งกำหนดความยาวได้ในช่วง 3-15 วินาที (ขยับเพิ่มทีละ 1 วินาที) ช่วยให้ผู้สร้างคลิปมีความยืดหยุ่นมากขึ้นในการสร้างคลิปต่อเนื่องกัน

กูเกิลอัพเดตแอพ Gemini ให้รองรับการสร้างและแก้ไฟล์เอกสาร (documents, presentations, spreadsheets) และไฟล์ PDF ได้จากตัวแอพ Gemini โดยตรงแล้ว

ตัวอย่างที่กูเกิลนำมาโชว์คือ สั่งให้ Gemini สร้างเอกสารช่วยติวเนื้อหาการเรียนเป็น PDF อิงจากภาพเลคเชอร์ลายมือ และสามารถลากไฮไลท์ข้อความใน PDF เพื่อบอกให้แก้จากตารางเป็นกราฟแทนได้เลย

ฟีเจอร์สร้างและแก้ไข PDF รองรับทั้งบนเว็บและแอพมือถือ ส่วนเอกสารประเภทอื่นๆ ยังใช้ได้เฉพาะเวอร์ชันเว็บเท่านั้น

ที่มา - Google

กูเกิลเริ่มปล่อย ฟีเจอร์ Personal Intelligence (ที่เปิดทางให้ Gemini รู้ข้อมูลส่วนบุคคลของเราจากบัญชี Google Account) ให้กับการใช้งานในรถยนต์ ทั้ง Android Auto และ Cars with Google built-in (Android Automotive)

หากผู้ใช้เปิดใช้งาน Personal Intelligence ก็จะสามารถถามข้อมูลจาก Gemini ในรถยนต์ได้เลย เช่น ขับรถไปสนามบินก็ถามได้ว่าเที่ยวบินไหน ประตูหมายเลขเท่าไร, หาร้านอาหารตามสไตล์ที่เราชอบ บนเส้นทางขับรถ, ค้นหาข้อมูลจาก Gmail หรือ Google Calendar ได้ เป็นต้น

Google DeepMind โชว์งานวิจัยการใช้เอเจนต์ 4 ตัวที่รันโมเดล Gemini 4 Argon ท้าทายตัวเองด้วยการมอบโจทย์ข้อเดียวคือให้เล่น Minecraft จนเอาชนะบอสตัวสุดท้าย Ender Dragon ได้

สิ่งที่ DeepMind ทำคือใช้เอเจนต์ Gemini 4 Argon รุ่นมาตรฐาน ตัวเดียวกับที่ใช้เขียนโค้ดทั่วไป ไม่ต้องใช้เอเจนต์รุ่นที่คัสตอมมาเพื่อ Minecraft (แต่เคยอ่านข้อมูล Minecraft มาบ้างในตอนเทรน) อีกทั้งไม่ได้กำหนดบทบาทให้เอเจนต์แต่ละตัวเลย ปล่อยให้สื่อสารกันเองผ่านแชท (แต่มี shared memory ร่วมกัน) ให้วางแผนกันเอง เขียนโค้ดกันเอง ดีบั๊กกันเอง

กูเกิลเปิดให้ลูกค้าทั่วไปใช้งาน โมเดล Gemini 4 Argon ที่เปิดตัวเมื่อต้นเดือนนี้และเปิดใช้งานแบบจำกัด

ตอนนี้ผู้ที่สามารถใช้งาน Gemini 4 Argon ได้แล้วคือ

หลังจากมาช้ากว่าชาวบ้านเขามากในตลาด AI agent ล่าสุดกูเกิลเปิดตัว agent สำหรับลูกค้าของธุรกิจแล้ว ภายใต้ชื่อว่า Gemini agent

หน้าตาและวิธีการใช้งาน Gemini agent สามารถทำได้ผ่านแอพ Gemini ตามปกติไม่มีอะไรหวือหวา กูเกิลให้นิยามว่าเป็น your new single, universal agent for work ตัวเดียวรับจบทั้งงานเอกสาร เขียนโค้ด ตอบคำถาม สร้างรูปภาพ ฯลฯ งานทุกอย่างทำได้จาก prompt อันเดียวกัน ไม่ต้องแยกโหมด แยกแอพใดๆ

กูเกิลเปิดตัวโมเดลรุ่นใหญ่ Gemini 4 Argon ตามที่เคยพูดไว้ก่อนหน้านี้ โดยการกลับมาครั้งนี้ของ Gemini สามารถเอาชนะโมเดลคู่แข่งทั้ง GPT-6 Astra และ Claude Fable 5.1 ได้ในเกือบทุกการทดสอบ

สิ่งที่เป็นจุดอ่อนที่สุดของโมเดลตระกูล Gemini คือเรื่องโค้ดดิ้ง (และเป็นเหตุให้ Gemini Pro 3.5 ออกไม่ได้ตามเป้า) คราวนี้กลับมาด้วยคะแนนเบนช์มาร์ค

กูเกิลยังวนออกโมเดล Gemini เวอร์ชันย่อยๆ เฉพาะทางอย่างต่อเนื่อง (ส่วนตัวใหญ่สุดนั้น ชัดเจนแล้วว่า รอ Gemini 4 เลย) โมเดลตัวล่าสุดคือ โมเดลแปลงข้อความเป็นเสียงพูด (text-to-speech) ชื่อว่า Gemini 3.8 Flash TTS และ Gemini 3.8 Flash-Lite TTS (ก่อนหน้านี้เพิ่งมี Gemini 3.5 Transcribe ที่ทำด้านกลับกันคือ ถอดเสียงเป็นข้อความ)

Koray Kavukcuoglu หัวหน้าทีมคนใหม่ของ Google DeepMind ปรากฏตัวครั้งแรกบนเวทีสัมมนาของเว็บไซต์ข่าว The Information เปิดปากเล่าถึง Gemini 4 ว่ากระบวนการเทรนโมเดล Gemini 4 เข้าสถานะ post-training (ปรับแต่งความเสถียร) ช่วงต้น และอีกไม่นานน่าจะปล่อยให้ใช้งานกัน ได้เห็นก่อนสิ้นปี 2026 เนิ่นๆ แน่นอน