---
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.
themeId: theme-multimodalitaet
wikidata:
  - id: Q123688361
    name: 'Gemini'
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'
  - 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'
  - 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'
provenance:
  origin: legacy-entries-ts
  migratedAt: '2026-09-14'
  reviewedBy: audit
  reviewedAt: '2026-09-15'
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.
---
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]

Den Zugang über die Schnittstelle kündigte OpenAI am 6. November 2023 an.[^s2]
Das Modell konnte Bilder auswerten und Text darin lesen.[^s2]

In einem Test von Roboflow lagen die Bildkoordinaten eines erkannten Hundes
daneben.[^s2] Bestimmte Personen auf Fotos zu benennen, verweigert das Modell
absichtlich.[^s2]

Zur 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]

Ende der Datei: 3 Quellen.