Show HN: मैंने नकली Google Gemini डेमो को फिर से बनाया, बस GPT-4 का उपयोग करके और यह असली है
एक डेवलपर ने Google के पॉलिश किए गए Gemini लॉन्च वीडियो को GPT‑4 के vision API और सामान्य ब्राउज़र speech tools का उपयोग करके फिर से बनाया, यह दिखाते हुए कि वही प्रकार का मल्टीमोडल “जादू” तैयार तकनीक से प्रति सत्र सिर्फ़ कुछ सेंट में पहले से ही संभव है। टिप्पणीकार इसकी तुलना Google के भारी-भरकम संपादित डेमो से करते हैं, भ्रामक मार्केटिंग, शॉर्ट-टर्म स्टॉक प्रोत्साहनों, और उनके अनुसार औसत दर्जे के मॉडलों को बढ़ा-चढ़ाकर पेश करने की प्रवृत्ति की आलोचना करते हैं। थ्रेड वर्तमान मल्टीमोडल सिस्टम्स की तकनीकी सीमाओं—जैसे वास्तविक सतत वीडियो/ऑडियो इनपुट, लेटेंसी, और लागत—पर भी चर्चा करता है, और LLaVA तथा local inference जैसे ओपन-सोर्स विकल्पों को आशाजनक दिशा के रूप में इंगित करता है.
डेमो और क्षमताएँ
- टिप्पणीकार GPT‑4 विज़न डेमो को प्रभावशाली मानते हैं और नोट करते हैं कि GPT‑4V (इमेज और टेक्स्ट को इंटरलीव करना) के बाद से ऐसी ही कार्यक्षमता संभव रही है।
- लेखक बताता है कि 77 विज़न API कॉल्स पर लगभग $0.47 का खर्च आया; कुछ लोग इसे डेमो के लिए उचित मानते हैं, लेकिन रोज़मर्रा के प्रोडक्शन उपयोग की लागत को लेकर चिंतित हैं।
Google के Gemini डेमो से तुलना
- कई लोगों का तर्क है कि Google एक वास्तविक, ईमानदार डेमो बना सकता था, बजाय एक भारी-भरकम संपादित “विज़ुअलाइज़ेशन” के।
- कुछ लोग Gemini वीडियो को भ्रामक मार्केटिंग मानते हैं, जिसने भरोसे और निवेशक भावना को नुकसान पहुँचाया; अन्य लोग नोट करते हैं कि स्टॉक ने शुरुआत में रैली की थी और कहते हैं कि वास्तविक प्रभाव स्पष्ट नहीं है।
- इस पर बहस है कि वास्तव में कितना “फेक” था, लेकिन यह व्यापक रूप से स्वीकार किया जाता है कि Google ने बाद में पर्याप्त पोस्ट-प्रोसेसिंग और प्रॉम्प्ट बदलावों को स्वीकार किया।
तकनीकी तरीका: फ़्रेम, ऑडियो, लेटेंसी
- यह डेमो वास्तविक सतत वीडियो के बजाय समय-समय पर स्क्रीनशॉट कैप्चर करता है (जैसे, हर ~800 ms पर)।
- कई टिप्पणियाँ तर्क देती हैं कि “वीडियो सिर्फ फ़्रेम्स है,” जबकि अन्य इस बात पर ज़ोर देते हैं कि समयगत निरंतरता, गति की भविष्यवाणी, और समकालिक ऑडियो वास्तविक वीडियो को गुणात्मक रूप से अलग बनाते हैं।
- ऑडियो को ब्राउज़र speech-to-text और text-to-speech के माध्यम से अलग से संभाला जाता है; लोग आश्चर्य करते हैं कि बिल्ट-इन ब्राउज़र APIs कितने प्रभावी हो सकते हैं।
रीयल-टाइम मल्टीमोडल इंटरैक्शन और टर्न-टेकिंग
- कई टिप्पणियाँ इस बात को उजागर करती हैं कि Gemini प्रोमो का “जादू” निरंतर सुनना और यह जानना था कि कब बोलना है या कब चुप रहना है।
- लोग सुझाव देते हैं:
- विराम/टर्न-टेकिंग के लिए विशेष टोकन या ट्रेनिंग।
- हल्के “मॉनिटर” मॉडल जो तय करें कि बड़े LLM को कब जगाना है।
- साइलेंस/मोशन डिटेक्शन और आंशिक ट्रांसक्रिप्ट्स पर आधारित ह्यूरिस्टिक्स।
- एक प्रोटोटाइप सतत वॉयस चैट सिस्टम का वर्णन किया गया है, जिसमें कम लेटेंसी और interruptibility है, लेकिन विश्वसनीयता, टर्न-टेकिंग, और भावना/प्रोसोडी संभालने की कमी जैसी सीमाएँ हैं।
स्थानीय और ओपन-सोर्स विकल्प
- LLaVA और llamafile को ऑन-डिवाइस विज़न प्रदर्शन के लिए सराहा गया है; उदाहरणों में इमेज सामग्री के आधार पर फ़ोटो का ऑटो-रीनेमिंग शामिल है।
- लाइसेंसिंग जटिलताओं पर ध्यान दिया गया है: कोड permissive (Apache 2.0) हो सकता है जबकि weights non-commercial हैं।
- कुछ लोग स्थानीय inference (जैसे LocalAI/Mistral के माध्यम से) को प्रति-उपयोग लागत कम करने के रास्ते के रूप में सुझाते हैं।
Google के इर्द-गिर्द व्यवसाय, नैतिकता, और हाइप
- कई लोग Gemini को Google के अत्यधिक हाइप या भ्रामक डेमो और असफल उत्पादों के पैटर्न का हिस्सा मानते हैं।
- शॉर्ट-टर्म स्टॉक प्रोत्साहनों, principal–agent समस्याओं, और deceptive marketing को चलाने वाले “metric hacking” पर चर्चा होती है।
- कुछ लोग अब संदेह करते हैं कि Google के पास कभी काफी बेहतर छिपे हुए मॉडल थे; Gemini Ultra को, सबसे अच्छे रूप में, GPT‑4 से स्पष्ट रूप से आगे नहीं माना जाता।
आगे के प्रोजेक्ट और UX की वास्तविकता
- एक टिप्पणीकार बताता है कि Google का conversational translation ऐप वास्तविक जीवन में उपयोग करने योग्य नहीं लगता, जो पॉलिश किए गए डेमो के प्रति संदेह को और मज़बूत करता है।
- speech recognition error rates और संचयी निराशा को उजागर किया गया है, खासकर लगातार उपयोग और accessibility के लिए।
- डेमो से प्रेरित होकर, किसी ने कचरा/कम्पोस्ट/रीसाइक्लिंग के लिए एक “Sorting Hat” सिस्टम बनाया, जिसे एक बच्चे के साथ लाइव टेस्ट किया गया, जिससे तत्काल शैक्षिक उपयोग दिखे।