{
  "id": "multimodal-ai-integration",
  "title": "Gemini: Google zeigt 2023 ein von Grund auf multimodales Modell",
  "date": "2023-12-06",
  "summary": "Am 6. Dezember 2023 stellt Google Gemini vor, ein Modell, das nach eigener Darstellung von Grund auf für mehrere Sinneskanäle gebaut ist. Nach dieser Darstellung ist es nicht aus getrennten Systemen zusammengesetzt. Zweieinhalb Monate zuvor hatte ChatGPT Bilder verstehen gelernt.",
  "body": "Am 6. Dezember 2023 stellte Google Gemini vor.[^s1] Das Besondere war nach eigener Darstellung nicht der Funktionsumfang, sondern die Bauweise: Multimodalität sei hier nicht nachgerüstet, sondern von Grund auf angelegt — das Modell verstehe Text, Code, Ton, Bild und Video unmittelbar, statt getrennte Systeme aneinanderzureihen.[^s1] Angekündigt wurden drei Größen — Ultra, Pro und Nano.[^s1] Bei OpenAI war derselbe Schritt zweieinhalb Monate zuvor angekündigt worden: Am 25. September 2023 kündigte OpenAI an, ChatGPT werde Fragen zu Bildern beantworten können.[^s2]\n\nDen Zugang über die Schnittstelle kündigte OpenAI am 6. November 2023 an.[^s2] Das Modell konnte Bilder auswerten und Text darin lesen.[^s2]\n\nIn einem Test von Roboflow lagen die Bildkoordinaten eines erkannten Hundes daneben.[^s2] Bestimmte Personen auf Fotos zu benennen, verweigert das Modell absichtlich.[^s2]\n\nZur Leistung nannte Google Vergleichswerte: 90,0 Prozent auf dem Wissenstest MMLU — nach eigener Angabe als erstes Modell über dem Ergebnis menschlicher Fachleute — sowie 59,4 Prozent auf dem multimodalen Vergleichstest MMMU, den dessen Autoren unabhängig mit rund 59 Prozent angeben[^s1][^s4], und bessere Werte als der bisherige Stand in 30 von 32 gängigen Prüfungen.[^s1] Die Werte stammen von Google; den MMMU-Wert nennen auch die Autoren des Vergleichstests.[^s1][^s4]",
  "themeId": "theme-multimodalitaet",
  "verification": "verified",
  "sources": [
    {
      "key": "s1",
      "title": "Introducing Gemini: our largest and most capable AI model",
      "publisher": "Google",
      "url": "https://blog.google/technology/ai/google-gemini-ai/",
      "accessedAt": "2026-09-15",
      "status": "live"
    },
    {
      "key": "s2",
      "title": "GPT-4 with Vision: Complete Guide and Evaluation",
      "publisher": "Roboflow",
      "url": "https://blog.roboflow.com/gpt-4-vision/",
      "accessedAt": "2026-09-15",
      "status": "live"
    },
    {
      "key": "s4",
      "title": "MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark",
      "publisher": "Xiang Yue et al. (unabhängiges akademisches Autorenteam der MMMU-Benchmark-Publikation, arXiv-Preprint)",
      "url": "https://arxiv.org/abs/2311.16502",
      "accessedAt": "2026-09-18",
      "status": "live"
    }
  ],
  "provenance": {
    "origin": "legacy-entries-ts",
    "reviewedBy": "audit",
    "reviewedAt": "2026-09-15",
    "migratedAt": "2026-09-14"
  },
  "seeAlso": [
    {
      "id": "generative-adversarial-networks-2014",
      "note": "Neun Jahre zuvor der erste Weg, Bilder überhaupt maschinell zu erzeugen."
    },
    {
      "id": "chatgpt-2022",
      "note": "Dasselbe Produkt, ein Jahr später um Augen und Ohren erweitert."
    }
  ],
  "wikidata": [
    {
      "id": "Q123688361",
      "name": "Gemini"
    }
  ],
  "category": "history",
  "area": {
    "id": "ai",
    "title": "Künstliche Intelligenz"
  },
  "theme": {
    "id": "theme-multimodalitaet",
    "title": "Bilder erzeugen, Bilder verstehen"
  },
  "referencedBy": [],
  "zeitalter": [
    {
      "id": "neueste-geschichte",
      "name": "Neueste Geschichte",
      "art": "kette"
    },
    {
      "id": "neuzeit",
      "name": "Neuzeit",
      "art": "ueberlagerung"
    },
    {
      "id": "zeitgeschichte",
      "name": "Zeitgeschichte",
      "art": "ueberlagerung"
    }
  ],
  "verzeichnis": "https://footnoted.net/de/ai/llms.txt#multimodal-ai-integration",
  "license": "https://creativecommons.org/licenses/by/4.0/",
  "creditText": "Footnoted — footnoted.net",
  "usageInfo": "https://footnoted.net/de/lizenz/"
}