Gemini es la familia de modelos de Google DeepMind que Google presentó el 6 de diciembre de 2023 en tres tamaños: Ultra, Pro y Nano (Pichai y Hassabis, 2023). Ese mismo día Bard, el chatbot de Google, empezó a usar una versión ajustada de Gemini Pro; en febrero de 2024 Bard pasó a llamarse Gemini (Hsiao, 2024). Siguieron 1.5 (febrero de 2024), 2.0 y 2.5 (diciembre de 2024 y marzo de 2025) (Gemini Team, 2024; Gemini Team, 2025), 3 (noviembre de 2025) y, en 2026, 3.1 Pro y una serie de modelos Flash numerados del 3.5 al 3.8 (Google, s. f.).
Cómo funciona
La promesa era ser «nativamente multimodal»: en vez de entrenar componentes separados para cada modalidad y coserlos después, Gemini se preentrenó desde el principio con varias (Pichai y Hassabis, 2023). Según su informe técnico, es un decodificador transformer con atención eficiente (por ejemplo, multiconsulta) y 32K de contexto, que recibe texto intercalado con imágenes, gráficos, capturas de pantalla, PDF, audio y video, y responde con texto o con imágenes generadas como tokens discretos. El video entra como una sucesión de cuadros; el audio, como rasgos de un modelo de habla a 16 kHz (Gemini Team, 2023, sec. 2). Es la receta de Gato, todo convertido en tokens de una sola secuencia (Reed et al., 2022), llevada a escala de frontera. Frente a CLIP, que alinea imágenes y textos en un espacio común, o a GPT-4, que acepta imágenes con una codificación no divulgada, Gemini describe al menos el esquema general de su multimodalidad.
Los números, en cambio, faltan. Solo se conocen los de Nano (1.800 y 3.250 millones de parámetros, obtenidos por destilación y cuantizados a 4 bits) (Gemini Team, 2023, sec. 2); los datos son documentos web, libros y código, más imágenes, audio y video, sin cifras (2023, sec. 4). Epoch AI estima, con poca certeza, unos 5 × 10²⁵ FLOP para Ultra (Epoch AI, 2026); las estadísticas base de esta entrada reflejan esas estimaciones ajenas, no datos publicados. Desde 1.5, Pro es una mezcla de expertos dispersa (Gemini Team, 2024, sec. 3.1), y 2.5 sigue ese camino (Gemini Team, 2025, sec. 2.1).
Millones de tokens
Gemini 1.5 Pro llevó la ventana de contexto a varios millones de tokens: recupera una frase escondida («aguja») con 99,7 % de acierto en un millón de tokens y 99,2 % en diez millones (Gemini Team, 2024, sec. 5.2). La prueba es simple, y los autores lo admiten: con cien agujas a la vez, el acierto baja a cerca del 70 % en 128K y a algo más del 60 % en un millón (2024, sec. 5.2.1.5). El ejemplo más llamativo es lingüístico: con una gramática de campo de unas 500 páginas, un diccionario de 2.000 entradas y unas 400 oraciones paralelas en el contexto, el modelo tradujo del inglés al kalamang, una lengua papú de menos de 200 hablantes, con una calidad parecida a la de una persona que estudió los mismos materiales (Gemini Team, 2024, sec. 5.2.2.1; Tanzer et al., 2024). Sin esos materiales, el resultado era azar.
Con 2.5 llegaron los modelos que «piensan»: entrenados con refuerzo para gastar más cómputo en inferencia antes de responder, con un presupuesto de pensamiento regulable (Gemini Team, 2025, sec. 2.5) (ver Modelo de razonamiento (o1, R1)). Un desarrollador independiente le armó un andamiaje para jugar Pokémon Azul, y Gemini 2.5 Pro terminó el juego tras 813 horas, con ajustes al andamiaje sobre la marcha (-@gemini2025, sec. 4.1).
Tropiezos
El lanzamiento tuvo letra chica. El 90 % en el benchmark MMLU, presentado como el primer resultado que superaba a expertos humanos, usaba una técnica con 32 cadenas de pensamiento por pregunta; con cinco ejemplos, el formato en que se medía a GPT-4, Ultra sacaba 83,7 % contra 86,4 % (Gemini Team, 2023, sec. 5.1.1). El video de demostración, donde Gemini parecía comentar en vivo lo que veía, se había hecho con fotogramas fijos y prompts de texto (Coldewey, 2023). Y en febrero de 2024 el generador de imágenes de la app (basado en otro modelo, Imagen 2) produjo imágenes históricas inexactas por sobrecorregir la diversidad; Google pausó las imágenes de personas (Raghavan, 2024).