กูเกิลประกาศว่าลูกค้า Gemini Advanced สามารถใช้งาน Deep Research ฟังก์ชันสำหรับการค้นหาข้อมูลวิจัยเชิงลึกด้วยโมเดลพลังสูงตัวล่าสุด Gemini 2.5 Pro Experimental ได้แล้ว

กูเกิลบอกว่าด้วยประสิทธิภาพที่สูงสุดของโมเดล AI ในตลาดตอนนี้ ทำให้การใช้ Deep Research ยิ่งรองรับการค้นหาแบบทีละขั้นตอนได้ดีมากยิ่งขึ้น กูเกิลยังเทียบผลการประเมินในหลายหัวข้อพบว่าได้คะแนนสูงกว่า Deep Research ของ OpenAI ระดับเท่าตัว

ลูกค้า Gemini Advanced สามารถใช้งาน Deep Research บนโมเดล Gemini 2.5 Pro Experimental ได้ทั้งผ่านเว็บและแอปสมาร์ทโฟน iOS, Android

กูเกิลประกาศว่าผู้ใช้งานแบบฟรี สามารถใช้งาน Gemini 2.5 Pro (experimental) โมเดลปัญญาประดิษฐ์ความสามารถสูงที่เพิ่งเปิดตัวไม่กี่วันก่อนได้แล้ว โดยเวอร์ชันนี้เป็น experimental นั่นคือฟีเจอร์บางอย่างอาจไม่สามารถใช้งานได้

ในตอนแรกกูเกิลจำกัด Gemini 2.5 Pro ให้เฉพาะลูกค้า Gemini Advanced แต่ในเวลาไม่กี่วันกูเกิลก็บอกว่าเพื่อให้คนเข้าถึงโมเดลนี้มากที่สุด ลูกค้าฟรีก็ได้ใช้งานไปด้วยเลย

กูเกิลประกาศเพิ่มเครื่องมือใหม่ให้กับผู้ใช้งานปัญญาประดิษฐ์ Gemini มีรายละเอียดดังนี้

Canvas

Canvas เป็นพื้นที่ให้ผู้ใช้งานแชทบอต Gemini สามารถปรับแก้ไขเนื้อหาผลลัพธ์ได้อย่างต่อเนื่อง คล้ายกับเครื่องมือแชทบอตของค่ายอื่น รองรับทั้งการแก้ไขเอกสารเป็นจุดที่ต้องการ สามารถส่งออกผลลัพธ์ไปยัง Google Docs ได้ เพื่อความต่อเนื่อง

นอกจากนี้ Canvas ยังรองรับการให้คำแนะนำและแก้ไขโค้ด สามารถแสดงพรีวิวผลลัพธ์ที่เป็น HTML/React ได้เลยผ่านอินเทอร์เฟซของ Canvas

Canvas เริ่มอัปเดตให้ผู้ใช้งานทั่วโลกในทุกภาษาที่ Gemini รองรับ สำหรับลูกค้า Gemini และ Gemini Advanced

กูเกิลประกาศเพิ่มฟีเจอร์ใหม่หลายอย่างให้กับผู้ใช้งาน Gemini ซึ่งมีทั้งส่วนที่เพิ่มความสามารถในการคิด และส่วนที่ทำให้ Gemini ตอบคำถามแบบปรับแต่งค่าตามความสนใจของผู้ใช้งานแต่ละคน

ของใหม่อย่างแรก กูเกิลบอกว่าได้อัปเกรด Gemini 2.0 Flash Thinking Experimental รองรับการอัปโหลดไฟล์ ตอบคำถามแบบเป็นขั้นตอนที่ละเอียดขึ้น มีประสิทธิภาพการตอบสนองเร็วขึ้น โดยลูกค้า Gemini Advanced ยังใช้อินพุทได้สูงสุด 1M โทเค็น จึงเหมาะกับการวิเคราะห์แก้ปัญหาด้วยชุดข้อมูลขนาดใหญ่

กูเกิลเผยแพร่ Gemini Embedding โมเดลปัญญาประดิษฐ์สำหรับทำ Embedding ที่ฝึกฝนจาก Gemini ซึ่งกูเกิลบอกว่าผลการทดสอบของ gemini-embedding-exp-03-07 ทำได้ดีมากกว่าโมเดลรุ่นก่อนหน้าของกูเกิลคือ text-embedding-004 รวมทั้งโมเดลสำหรับทำ Embedding ตัวอื่น

Embedding เป็นขั้นตอนแปลงข้อมูลข้อความที่เป็นคำหรือประโยค ให้อยู่ในรูปตัวเลขสำหรับการทำ Classification หรือ Categorization ช่วยให้การทำงานมีต้นทุนประมวลผลที่ลดลง แต่ยังได้ประสิทธิภาพผลลัพธ์ที่สูง