es ist additionally grundsätzlich kostenlos.“ Ich habe das gesagt, Sie haben das wahrscheinlich gesagt, und es ist die Artwork von Behauptung, die wahr klingt, bis jemand sie misst. Additionally habe ich es gemessen.

Die Field ist „ardi“ – eine openSUSE-Maschine mit einer einzelnen RTX 3090 (24 GB). Darauf habe ich einen kontrollierten Benchmark durchgeführt: drei lokale Modelle, die von Ollama bedient wurden und jeweils unter einer identischen festen Arbeitslast betrieben wurden, während ein Dashboard jeden Lauf durch das bewertete echte GPU-Energie, die es verbrannt hat. Keine Schätzung der Thermal-Design-Leistung, keine Schätzung auf der Rückseite des Umschlags – die Leistung wird alle 10 Sekunden von nvidia-smi abgetastet und über das genaue Begin-Finish-Fenster jedes Laufs integriert, zu meinem tatsächlichen Tag-/Nacht-Stromtarif: 0,30 BGN am Tag / 0,18 BGN in der Nacht (Bulgarischer Lew – mein tatsächlicher Versorgungssatz; in diesem Artikel in EUR umgerechnet unter der festen EZB-Kopplung, 1 BGN ≈ 0,5113 €).

Das Ergebnis ist eine Zahl professional Modell: Euro professional Million ausgegebener Token. Fünf der acht von mir gemessenen Modelle waren günstiger als eine gehostete Cloud-API. Bei drei struggle das nicht der Fall – und es sind nicht die drei, die man aufgrund der Parameteranzahl allein erraten würde.

Die Behauptung, die ich testen wollte

Die Volksweisheit besagt, dass lokale Inferenz die kostengünstige Choice ist – Sie haben die GPU gekauft, der marginale Token ist kostenlos, die Cloud ist das Ding, bei dem der Zähler läuft. Jeder Teil davon verdient eine Nummer, additionally hier ist die, nach der ich gesucht habe: die Grenzenergiekosten für die lokale Generierung eines TokensModell für Modell, und wie es im Vergleich zu den Gebühren einer gehosteten „Flash“-Klasse-API für denselben Token abschneidet.

Um das zu einer Messung und nicht zu einem Argument zu machen, brauchte ich drei Dinge, die konstant gehalten wurden: die gleiche Arbeitslast für jedes Modell, die gleiche {Hardware} und ein Messgerät, dem ich vertraute, um die GPU bei jedem Lauf abzulesen. Der dritte Punkt ist der schwierige Teil zu Hause – da kommt das Instrument ins Spiel.

Die Methode

Drei Modelle, ausgewählt, um den Größenbereich abzudecken, den ich tatsächlich auf der Field habe: gemma3:1b (winzig), gemma4:26b (Googles Gemma 4–25,8B Parameter unter der Haube; ollama rundet es im Tag einfach auf „26b“) und gemma3:27b (das ältere große). Alle drei sind Q4_K_M-quantisierte GGUF-Gewichte, die durch Ollama gezogen werden, sodass der Vergleich hinsichtlich der Quantisierung gleichwertig ist. Jeder bekam das gleiche feste Arbeitsbelastung – eine Schleife von 256-Token-Generationen, die fünf feste Eingabeaufforderungen durchläuft – aufrechterhalten für ~4 Minuten (240 s)So erreichte die GPU einen stabilen Zustand und wurde nicht nach einem kalten ersten Anruf beurteilt.

Während jedes Modell lief, habe ich es als verfolgt Preisliches Experiment in HomeLab Monitor – mein eigenes Dashboard, Open Supply, MIT, ein Container. Es erfasst alle 10 s die GPU-Leistung von nvidia-smi und integriert bei einem verfolgten Lauf die Leistung über das Begin-Finish-Fenster des Laufs in kWh und multipliziert sie dann mit dem jeweils geltenden Tarif (Tag vs. Nacht) – in der Währung, mit der ich es konfiguriert habe, BGN . Das umrechnet: „Was hat dieses Modell gekostet?“ von einer Vermutung zu einer gemessenen Zahl; Zur besseren Lesbarkeit rechne ich dann in EUR um.

Dann die Arithmetik, die einen 4-Minuten-Lauf in eine vergleichbare Geschwindigkeit umwandelt:

€ per 1M output tokens = (run_cost_BGN × 0.5113) ÷ (output_tokens / 1,000,000)

Der untenstehende Benchmark der drei Modellgenerationen ist durchgängig reproduzierbar. Hier erfahren Sie, wie Sie es auf Ihrer eigenen Field aufstellen.

Schritt 1 – Monitor aufrufen (ein Container)

Auf der Maschine mit der GPU:

COMPOSE_URL=https://uncooked.githubusercontent.com/SikamikanikoBG/homelab-monitor/predominant/docker-compose.yml
curl -fsSLO "$COMPOSE_URL"
docker compose up -d

Öffnen Sie http://:9800. Der Host, auf dem es ausgeführt wird, wird sofort angezeigt – CPU, RAM, Festplatten und (falls vorhanden) die GPU mit modellspezifischem VRAM und Reside-Stromaufnahme. Keine Konfiguration. Das ist das Messgerät. Überprüfen Sie die Einstellungen für die Währung und den Tarif, mit denen es konfiguriert ist, bevor Sie einer angezeigten €-Zahl vertrauen.

Schritt 2 – Prägen Sie einen Ingest-Schlüssel

Das Benchmark-Skript muss Läufe in den Hub pushen und benötigt daher einen Schlüssel. Einstellungen → Integrationen → Schlüssel erstellen. Der Schlüssel (ein hlm_…-String) wird einmal angezeigt – kopieren Sie ihn dann, er wird nicht mehr angezeigt. Bewahren Sie es in einer Umgebungsvariable auf; Fügen Sie es nicht in das Skript ein.

export HOMELAB_KEY="hlm_xxxxxxxxxxxxxxxxxxxx"

Das gleiche Panel hat eine Shopper herunterladen Hyperlink für die Python-Datei, die Sie in Schritt 3 verwenden, und eine Schnellstartanleitung zum Kopieren und Einfügen – dieser eine Bildschirm deckt additionally die nächsten beiden Schritte ab.

Schritt 3 – Schnappen Sie sich den Tiny Shopper

Der Hub bedient seinen eigenen Python-Shopper. Es ist nur stdlib – nichts, was per Pip installiert werden muss:

CLIENT_URL=http://<hub>:9800/static/homelab_run.py
curl -O "$CLIENT_URL"

Diese eine Datei ist die gesamte Monitoring-API. Das Muster ist bewusst klein gehalten: Einmal konfigurieren, dann jeden Arbeitsblock in einen Ausführungskontextmanager einschließen und darin Metriken protokollieren.

import homelab_run as homelab

homelab.configure(url="http://<hub>:9800", key="hlm_...")

with homelab.run("llm-cost-gemma3-1b",
                 params={"mannequin": "gemma3:1b", "engine": "ollama",
                         "gpu": "RTX 3090 24GB", "num_predict": 256}) as r:
    # ... do the work ...
    r.log_metric("tokens_per_sec", tps, step=i)

Wenn der With-Block geöffnet wird, markiert der Hub einen Laufstart; Wenn es geschlossen wird, markiert es das Ende und bewertet die zwischenzeitlich verbrannte GPU-Energie. Das Fenster ist das Maß.

Schritt 4 – Benchmark schreiben

Der Arbeitsaufwand besteht nur darin, dass Ollama /api/generate in einer Schleife arbeitet und die Felder ausliest, die Ollama zurückgibt, damit wir sie erhalten actual Tokens professional Sekunde statt einer Wanduhr-Näherung. Die beiden Bereiche, auf die es ankommt, sind eval_count (generierte Token) und eval_duration (Nanosekunden, die für deren Generierung aufgewendet wurden):

import json, time, urllib.request

OLLAMA = "http://localhost:11434"

def ollama_generate(mannequin, immediate):
    physique = json.dumps({
        "mannequin": mannequin, "immediate": immediate, "stream": False,
        "choices": {"num_predict": 256, "temperature": 0.7},
    }).encode()
    req = urllib.request.Request(OLLAMA + "/api/generate", information=physique,
                                 headers={"Content material-Kind": "software/json"})
    with urllib.request.urlopen(req, timeout=600) as resp:
        return json.hundreds(resp.learn())

Fahren Sie dann jedes Modell für eine festgelegte Dauer unter Final, gefolgt von einem verfolgten Lauf:

def bench(mannequin, duration_s=240):
    ollama_generate(mannequin, "Say whats up.")  # heat up - exclude the chilly begin
    run = homelab.run(f"llm-cost-{mannequin.substitute(':', '-')}",
                      params={"mannequin": mannequin, "engine": "ollama",
                              "gpu": "RTX 3090 24GB", "num_predict": 256,
                              "workload": "fixed-prompt-loop"},
                      tags=("llm-cost", "benchmark"))
    tot_out = 0
    t0 = time.time(); step = 0
    with run as r:
        whereas time.time() - t0 < duration_s:
            res = ollama_generate(mannequin, PROMPTS(step % len(PROMPTS)))
            ec, ed = res.get("eval_count", 0), res.get("eval_duration", 1)  # ed in ns
            tps = ec / (ed / 1e9) if ed else 0.0
            tot_out += ec
            r.log_metric("tokens_per_sec", spherical(tps, 2), step=step)
            step += 1
        r.log_params({"total_output_tokens": tot_out})
    return run.id, tot_out

Durch einen Aufwärmaufruf vor dem Zeitfenster wird die Kaltstartlatenz aus der Messung ausgeschlossen. Der time.sleep(15), den ich zwischen den Modellen eingefügt habe (nicht gezeigt), hält jedes Preisfenster sauber getrennt, sodass der Schwanz eines Modells nicht in die Rechnung des nächsten Modells gelangt.

Schritt 5 – Lesen Sie den Runback und die Preise

Führen Sie das Skript für alle drei Modelle aus und öffnen Sie das ExperimenteTab. Jeder Lauf ist nun eine Reihe, die ihre wahre Energie und Kosten trägt:

Klicken Sie in einen Lauf und Sie erhalten die GPU-Leistungskurve für genau dieses Fenstermit der Preisunterschrift darunter – der Rohstoff, aus dem die Euro-Zahl berechnet wird:

Der Hub legt die Kosten jedes Laufs auch programmgesteuert offen, sodass die endgültige Aufteilung im Skript erfolgen kann:

pulled = homelab.pull(run_id)  # price, energy_kwh, avg_w, energy curve - price is in BGN
eur_per_mtok = spherical((pulled("price") * 0.5113) / (tot_out / 1e6), 4)

Die Zahlen

Später ging ich zurück und fügte fünf weitere Modelle hinzu – GLM-4.5-Air (106B), DeepSeek-R1-Distill (32.8B), Seed-OSS (36B), Devstral (24B) und Qwen3-Coder (30.5B) –, die aus einem separaten Coding-Agent-Benchmark stammten, den ich bereits auf derselben Field ausgeführt hatte (gleiche GPU, gleicher Tarif, gleiche Kostentoken-Methode, aber echte mehrstufige Agentenaufgaben anstelle einer dedizierten 240-Sekunden-Generationsschleife – vermerkt, wo es darauf ankommt, in den Vorbehalten unten). Acht Modelle, ein Maßstab:

Und die Cloud-Referenz, an der ich gemessen habe (Listenpreise, Juni 2026): Ein gehostetes Flash-Klasse-Modell – Gemini 2.5 Flash, GPT-4o-mini – läuft ungefähr 0,60 $ professional 1 Mio. Ausgabetoken (~0,55 €); Die günstigste Stufe (Gemini 3.1 Flash-Lite) ist verfügbar 0,40 $.

Die Überraschung

Fünf der acht sind günstiger als die Cloud-Referenz. Drei sind es nicht – und die drei, die es nicht sind, sind es nicht die drei, die Sie nach Parameteranzahl auswählen würden.

GLM-4.5-Air ist das größte Modell auf der Liste, 106B Parameter, und es kostet 1.040 €/1 Mio. – wirklich mehr als die Cloud-API, Strom allein, ohne einen Cent des GPU-Kaufpreises. Dieser Teil entspricht der ursprünglichen Instinct: großes Modell, langsam, teuer.

Aber DeepSeek-R1-Distill ist kaum ein Drittel so groß wie GLM – 32,8 Milliarden Parameter – und das ist es am meisten teures Modell auf der gesamten Liste, bei 1,526 €/1 Mio. €. Es verbraucht weniger Strom als gemma3:27b (155 W gegenüber 283 W) – und ist es immer noch am teuersten professional Token aller getesteten Modelle .

Ein methodischer Hinweis, der hier wichtig ist, im Vorfeld und nicht im Verborgenen: Die drei Gemma-Modelle wurden auf einem speziellen 240-Sekunden-Benchmark mit kontinuierlicher Era gemessen, den ich für dieses Stück erstellt habe. Die anderen fünf – einschließlich DeepSeek-R1-Distill – stammen aus einem früheren, separaten Benchmark echter mehrstufiger Coding-Agent-Aufgaben (Instrument-Aufrufe, Multi-Flip-Argumentation) auf derselben GPU und demselben Tarif unter Verwendung der identischen Kosten-Ausgabe-Token-Formel. Dieser Unterschied ist der Grund dafür, dass DeepSeek so aussieht, wie es aussieht: Es ist Roherzeugungsgeschwindigkeit bei aktiver Token-Produktion sind es respektable 6,7 Token/Sek. Der Zähler berechnet jedoch nicht die reine Erzeugungsgeschwindigkeit. Der Zähler berechnet die auf der Karte gespeicherte Zeit, und DeepSeek – ein Modell, das auf logischen Überlegungen basiert – verbringt die meiste Zeit damit, zwischen den Generationen zu beraten und nicht zu generieren. Es ist effektive Lieferrate(Ausgabe-Tokens ÷ Gesamtlaufzeit, inklusive Überlegung) klappt 3,7 Token/Sek der niedrigste aller getesteten Modelle – deutlich unter den effektiven 7,1 von Seed-OSS und 5,0 von GLM. Das ist es, was der Preis tatsächlich abbildet.

Größe struggle nie der Mechanismus. Die effektive Geschwindigkeit struggle – und die effektive Geschwindigkeit ist nicht der Wert, mit dem diese Modelle normalerweise gemessen werden.

Der Mechanismus

Jeder Token kostet Watt ÷ Durchsatz.Das ist die ganze Gleichung – der Trick besteht darin, die richtige Durchsatzzahl zu verwenden:

gemma3:1b ist schnell (136 tok/s) und leicht (154 W) – günstig auf beiden Achsen, insgesamt am günstigsten. Devstral zieht von allen getesteten Modellen die meiste Leistung (320 W), bleibt aber im Mittelfeld, da es immer noch recht schnell ist. Für die drei speziell entwickelten Gemma-Modelle: Roherzeugungsgeschwindigkeit Ist Die Zahl, die den Preis festlegt – Watt ÷ Uncooked Tok/s – rekonstruiert das Kostenverhältnis quick genau. Für die fünf Agenten-Benchmark-Modelle ist die Zahl, die den Preis festlegt effektiver Wanduhrdurchsatz nicht die reine Erzeugungsgeschwindigkeit, mit der sie normalerweise angegeben würden – und nach dieser Zahl sind Seed-OSS (7,1 tok/s effektiv), GLM-4.5-Air (5,0) und DeepSeek-R1-Distill (3,7) die drei langsamsten getesteten Modelle, und zwar genau in der Reihenfolge ihrer Kosten. Keiner von ihnen hat einen ungewöhnlichen Stromverbrauch (eigentlich 141–186 W). untere als mehrere günstigere Modelle); Sie sind nur langsam, wenn man Werkzeugaufrufe und Argumentationslücken berücksichtigt, und ein Modell, das langsam ist, zahlt sich für jede Sekunde aus, in der es die Karte in der Hand hält, unabhängig von der Parameteranzahl.

Was ich *nicht* behaupte

Dies ist der Teil, der es ehrlich hält, additionally werde ich die Ränder ganz offen sagen:

· Dabei handelt es sich lediglich um GPU-Strom – gemessen, marginal und winzig.Ein vollständiger Lauf rundet auf den Bruchteil eines Cents. Ich messe weder CPU noch DRAM (RAPL struggle auf diesem Host nicht lesbar, daher wurden diese als Null zurückgegeben), und das tue ich ausdrücklich nicht Ich zähle den Kaufpreis der GPU, den Leerlaufverbrauch, die Kühlung oder meine Zeit. Die Zahlen für €/1 Mio. sind die Grenzenergierate nützlich für „Welches Modell ist günstiger, um es weiterhin zu erzeugen“, nicht für die Gesamtbetriebskosten.

· Die tatsächlichen Kosten für lokal sind die GPU, die Sie gekauft haben, nicht die Wattzahl. Ein 3090 amortisiert sich nur bei hoher, gleichmäßiger Auslastung. Eine Field, die ein paar Minuten am Tag ausgelastet ist, zahlt hauptsächlich für ungenutztes Silizium, und keine Stromzahl erfasst das. Die Grenzenergielinse ist ehrlich über ihren eigenen Anwendungsbereich: Es kommt auf den Boden an, nicht auf die Rechnung.

· Zwei Messmethoden (siehe „Die Überraschung“ oben, warum das wichtig ist). Die drei Gemma-Modelle: ein dedizierter 240-Sekunden-Benchmark für die nachhaltige Era. Die anderen fünf: ein separater echter Coding-Agent-Benchmark, dieselbe Kosten-Token-Formel, aber wirksam Der Durchsatz beträgt eher den Taktgeber als die bloße Generierungsgeschwindigkeit – was wohl repräsentativer dafür ist, wie diese Modelle tatsächlich genutzt werden, nicht weniger, da echte Agenten-Arbeitslasten Toolaufrufe und Überlegungen beinhalten, die eine reine Generierungsschleife niemals tun würde.

·Eine GPU, eine Engine, quantisierte GGUF-Gewichte.Ihr Tarif, Ihr Modell, Ihre Chargengröße, Ihre Quantisierung und Ihre Karte bewegen hier jede Nummer. Der Tisch ist Mein Kasten; Die Methode ist der übertragbare Teil.

Betrachten Sie additionally die absoluten Euro als Veranschaulichung und die Kind Als Ergebnis: Die Kosten professional Token verfolgen die effektive Liefergeschwindigkeit, und das verfolgt die Parameteranzahl nicht in der erwarteten Weise.

Das Essen zum Mitnehmen

Wählen Sie das kleinste und schnellste Modell, das Ihren Qualitätsmaßstäben gerecht wird – hier zahlt sich „lokal“ tatsächlich aus, und zwar bei weitem, und es hat nichts mit der Auswahl eines kleinen Modells zu tun Weil es ist klein. Qwen3-Coder ist mit 30,5B professional Token günstiger als gemma4:26b, und gemma3:27b mit 27B übertrifft jedes Argumentationsmodell auf der Liste, obwohl es sich um ein einfaches dichtes Modell ohne besondere Effizienztricks handelt. Die Variable, die zählt, sind die professional Sekunde gelieferten Token, Punkt – nicht die rohe Generationsgeschwindigkeit, mit der ein Modell normalerweise bewertet wird – und die einzige Möglichkeit, sie für Ihr Modell und Ihre Field zu ermitteln, besteht darin, sie zu messen.

Das von mir verwendete Instrument ist HomeLab-Monitor– Open Supply, MIT, ein Container – und der oben genannte Run-Pricing ist genau das, was die Registerkarte „Experimente“ standardmäßig leistet:

Fügen Sie Ihren GPU-Host hinzu, prägen Sie einen Schlüssel und Ihre nächsten Benchmark-Preise selbst – in der Währung, die Sie tatsächlich konfiguriert haben, was es wert ist, überprüft zu werden, bevor Sie die Zahl veröffentlichen.

Wenn Sie additionally über die API nach dem lokalen Modell greifen, kennen Sie dann tatsächlich die Anzahl professional Token in der richtigen Währung – oder gehen Sie, wie ich, einfach davon aus, dass die GPU sie kostenlos macht?

Drei Chatbots. Gleicher Preis von 20 $ für ihre Abonnements. Die Konvergenz ist quick schon komisch, wenn man bedenkt, wie unterschiedlich die Angebote sind.

Der gleiche Preis bedeutet nicht das gleiche Produkt. Ich habe alle drei bezahlt und jeweils die gleiche Arbeit ausgeführt. Sie sind nicht austauschbar, wie Sie gleich feststellen werden.

Wenn Sie die falsche Wahl treffen, werden Sie sich monatelang fragen, warum alle anderen mehr davon zu haben scheinen. Wählen Sie rechts und das 20 Greenback amortisieren sich bis Dienstag. Hier ist additionally, was sie tatsächlich unterscheidet.

Das ganze Bild auf einen Blick

Meine Ergebnisse nach monatelanger Nutzung:

Schließen Sie zuerst zwei aus

Fragen Sie nicht, was das Beste ist. Fragen Sie, ohne was Sie nicht leben können. Ein paar müssen es sofort regeln:

• Benötigen Sie ein Video? Nur Google macht das, und zwar intestine. Claude und ChatGPT nicht. Entscheidung getroffen.
• Benötigen Sie Bilder? Claude ist komplett draußen. ChatGPT macht die besten; Google ist knapp dahinter.

Zwei Bedürfnisse Mache zwei Pläne fertig, bevor der eigentliche Wettbewerb beginnt.

Der Kampf um Worte

Für die meisten Menschen ist es der tägliche Job Schreiben. Wenn das Ihre Arbeit ist, ist die Wahl nicht knapp. Claude schreibt mit Abstand das beste der drei Modelle. Hier sind seine herausragenden Merkmale:

• Klingt menschlich, nicht zusammengebaut: Die anderen lesen Vorlagen. Claude hat eine Stimme. Sein Standardmodus mit sparsamem Wortgebrauch und präziser Absichtserklärung macht es zu einer Klasse für sich.
• Lernt Ihre Stimme: Füttere es mit deinen alten Schreibproben und beobachte, wie es jeden Entwurf erstellt, der so klingt Du. Dies ist exklusiv für Claude.

• Hält den Ton über lange Stücke hinweg: Von der ersten bis zur letzten Zeile konsistent, da lange Kontexte in der Chat-Oberfläche vorhanden sind.

Vorbehalt: Am besten Schriftstellernicht das Beste Editor. Sie können die Entwürfe nicht manuell bearbeiten, sondern nur Änderungen anfordern.

Wenn die Worte das Produkt sind, wähle Claude.

Der Kampf um Code

Engstes Rennen der Gruppe. Hier gibt es zwei echte Gewinner, nicht einen.

Claude Und ChatGPT sind beide echt. Beide liefern Code, den Sie tatsächlich verwenden können, verfolgen, was in den Dateien passiert, und halten an, wenn Sie ihn loslassen.

Gemini ist der Sonderfall: Bei großen, chaotischen und unbekannten Codebasen wird es wackelig. Das riesige Kontextfenster (1M+) ist praktisch, um ein ganzes Repo zu lesen, speichert es aber nicht, wenn das Downside tatsächlich schwerwiegend ist. Intestine für ein Drehbuch, nicht für die knorrigen Sachen.

Zwischen den beiden, die wichtig sind:

• Saubererer Code: Claude. Denkt nach, bevor es tippt, und sorgt so für eine engere Struktur. Diejenige, nach der die meisten Menschen greifen, wenn es ernst ist.
• Besserer Arbeitsablauf: ChatGPT. Codex befindet sich in Ihrem Setup, sodass der Code dort landet, wo Sie bereits arbeiten. Claude Code ist nah dran, aber ChatGPT übertrifft hier die Nase vorn. Gemini CLI ist im Vergleich zu diesen beiden nur ein Platzhalter.

Fang mit Claude: Bei langen Sitzungen versiegen die Nutzungsgrenzen schnell. Planen Sie darum herum.

Mehr lesen: 23 Tipps zum Speichern von Claude Code-Tokens

Der Kampf um die Forschung

Jedes Modell sagt, dass es forschen kann. Sie meinen damit nicht dasselbe. Stellen Sie allen drei die gleiche Frage und die Trennung wird sofort sichtbar.

• Zwillinge wirft das breiteste Netz aus. Die Such-DNA von Google erledigt die Arbeit, reicht additionally weiter und liefert immer die aktuellsten Inhalte. Wenn Sie brauchen, was diese Woche passiert ist, ist es derjenige, der es tatsächlich weiß.
• Claude ist derjenige, der dem Stapel einen Sinn verleiht. Es gibt Ihnen nicht nur einen Stapel Hyperlinks. Es argumentiert über sie, verbindet sie und sagt Ihnen, was sie ergeben. Sprachlich Die Ergebnisse sind über allem anderen.

• ChatGPT ist der standhafte Allrounder. Gute Zitate, gründlicher Webzugriff, der funktioniert. Es ist selten der schärfste, wenn es darum geht, etwas zu finden oder zu argumentieren, aber es ist auch kein Faceplant. Allerdings gibt es einen Haken: Wenn etwas falsch ist, dann ist es mit völliger Zuversicht falsch, mit der gleichen ruhigen Stimme, die es für Fakten einsetzt. Überprüfen Sie es

Der größere Haken: Ein weites Netz auszuwerfen und zu wissen, was sich darin befindet, ist nicht die gleiche Fähigkeit. Zwillinge finden am meisten. Es weiß nicht immer, worauf es ankommt.

Woran es sich erinnert

Ein Modell, das Sie bei jeder Sitzung vergisst, sorgt dafür, dass Sie für immer das gleiche Setup durchführen. Das Gedächtnis ist der Unterschied zwischen einem Werkzeug und einem Assistenten.

• Am reifsten: ChatGPT. Baut im Laufe der Zeit ein echtes Profil auf, trägt es über Chats hinweg und man spürt es.
• Am persönlichsten: Claude. Das Gedächtnis und die Sprachlernfähigkeit bedeuten, dass es sich nicht nur an Fakten erinnert, sondern sich daran erinnert wie du klingst.
• Am kontextbezogensten: Zwillinge. Weniger eigenständiger Speicher, aber er basiert auf allem, was Google bereits über Sie weiß.

Vorbehalt: Die gleiche Erinnerung, die hilft, kann driften. Alle drei erinnern sich gelegentlich selbstbewusst an das Falsche.

Was jeder einsteckt

Durch Verbindungen können diese Modelle ihre Fähigkeiten weiter verbessern. Während einige der Modelle eine begrenzte (wenn auch robuste) Integration bieten, sind andere in Bezug auf die Anschlüsse deutlich liberaler:

• Claude: verbindet sich mit quick allem, denn es beinhaltet Zapier.

• ChatGPT: unterstützt verschiedene Arten von Integrationen mit Ausnahme von Zapier.

• Zwillinge: Das gesamte Google-Ökosystem. Gmail, Drive, YouTube und alle anderen Dienste/Produkte, die unter das Dach von Google fallen, können mit Gemini verbunden werden.

Das übersehene Merkmal

Zwei Pläne geben Ihnen eine Desktop-Agent Das funktioniert mit Ihren echten Dateien. Das verändert alles.

• Claude Cowork zeigt auf einen Ordner und liest, bearbeitet und erstellt Dateien. Klassenbester für Wissensarbeit.
• ChatGPT-Codex ist genauso leistungsfähig, etwas weniger aufgeräumt. Beides macht dich glücklich.
• Zwillinge Funke ist nur in der Cloud verfügbar und an höhere Ebenen gebunden. Noch nicht in diesem Plan.

Google ist ein Paket

Google AI Professional ähnelt eher der Büchse der Pandora als einem LLM-Abonnement: Video-Instruments (Veo3 & Omni), Musik, NotebookLM, YouTube Premium, ein Gesundheitscoach, Cloud-Guthaben, 5 TB Google Drive-Speicher und vieles mehr.

Bei einigen davon handelt es sich allein um 10-Greenback-Produkte. Der Einzelwert verrechnet den Preis, wenn Sie die Stücke verwenden.

Aber im Hinblick auf den Wert, den es als LLM bietet, ist es ziemlich dürftig.

Die Decke

Funktionen bedeuten nichts, wenn Sie gegen eine Wand stoßen, und Sie Wille einen treffen. Die eigentliche Frage ist wie schnellund diese einzelne Tatsache kann über Ihr gesamtes Abonnement entscheiden.

Die größte Kluft entsteht, wenn man darauf stößt:

• ChatGPT und Zwillinge ruhig Sie auf ein schwächeres Modell herunterstufen und lass dich weitermachen.
• Claude Nur stoppt. Kein Fallback, kein Downgrade, Sie warten auf den Reset.

Das Mitnehmen: Wenn Sie in langen, intensiven Schüben arbeiten, erreicht Claudes Wand zuerst Und trifft am härtesten. ChatGPT ist am vorhersehbarsten, während Zwillinge am nachsichtigsten sind.

So funktionieren die Grenzwerte tatsächlich:

Die Tabelle enthält jetzt die Particulars professional Plan, und die Prosa hebt nur den einen Punkt hervor, der wichtig ist.

Welchen 20-Greenback-KI-Plan sollten Sie kaufen?

Passen Sie den Plan an Ihre Arbeitsweise an.

• Claude: bestes Schreiben, der Cowork-Agent, nahezu universelle Integrationen. Es läuft zuerst aus.
• ChatGPT: beste Bilder, stabilste Grenzen, der sichere Allrounder.
• Google: Video, ein echter Editor, das tiefste Bundle, wenn Sie bereits in Google leben.

Hier ist der vollständige Vergleich zwischen den Abonnements:

Ich bin auf die Überprüfung und Verfeinerung von KI-gestützter Forschung, technischer Dokumentation und Inhalten im Zusammenhang mit neuen KI-Technologien spezialisiert. Meine Erfahrung umfasst KI-Modelltraining, Datenanalyse und Informationsabruf und ermöglicht es mir, Inhalte zu erstellen, die sowohl technisch korrekt als auch zugänglich sind.

Laut Mark Gurman ist Apple Berichten zufolge bereit, auf die M6 Professional- und Max-Chips zu verzichten und stattdessen direkt auf den M7-Chip umzusteigen Bloomberg. Die M7-Chips, die voraussichtlich in der ersten Hälfte des Jahres 2027 auf den Markt kommen, werden sich auf die Verbesserung der KI-Verarbeitung auf dem Gerät konzentrieren und einen Wandel in der Siliziumstrategie von Apple markieren.

Diese Entwicklung wäre das erste Mal, dass Apple nur eine Basisversion seines Siliziums ohne Professional- oder Max-Varianten anbietet. Nach dem M7 könnte Apple bis Ende 2027 M7 Max- und Professional-Chips einführen. Gurman gab an, dass ein M7 Extremely-Chip im Jahr 2028 auf den Markt kommen könnte, da Apple seit der M3-Era kein Extremely-Modell mehr herausgebracht hat.

Es besteht Unsicherheit darüber, ob diese Änderung zu einer Verzögerung bei Apples erwartetem Touchscreen-Laptop computer führen wird, der angeblich mit dem M6 MacBook Professional ausgestattet sein wird. Anfang des Jahres brachte Apple die Chips M5 Professional und Max auf den Markt, wobei der M6-Chip voraussichtlich noch vor Ende 2026 für MacBooks der Einstiegsklasse angekündigt wird.

Hervorgehobener Bildnachweis

Das Google-Forschungsteam hat die Einführung von angekündigt Gemini-SQL2 auf X. Sie beschrieben dieses System als eine bahnbrechende Textual content-to-SQL-Funktion, die auf Gemini 3.1 Professional basiert. Gemini-SQL2 erzielte eine Ausführungsgenauigkeit von 80,04 % im BIRD Textual content-to-SQL Leaderboard (Einzelmodell). In der Tabelle von Google liegt es über seinem eigenen Gemini-SQL, dem vorherigen High-Eintrag. Die Metrik misst, ob generiertes SQL ausgeführt wird und korrekte Ergebnisse zurückgibt, nicht, ob es gültig aussieht.

Gemini-SQL2

Gemini-SQL2 ist eine Textual content-zu-SQL-Funktion und keine eigenständige Basismodellversion. Es übersetzt Fragen in natürlicher Sprache in das, was Google als „ausführungsbereite SQL-Abfragen“ bezeichnet. Die Funktion basiert auf Gemini 3.1 Professional.

In der Ankündigung auf In der X-Publish heißt es außerdem, dass „ein verbessertes SQL-Verständnis die Fähigkeiten in natürlicher Sprache in den Datendiensten von Google verbessern kann.“ Das deutet auf Integrationsziele wie BigQuery Studio, AlloyDB AI und Cloud SQL Studio hin, die bereits die Gemini-basierte SQL-Generierung anbieten. Google hat noch nicht bestätigt, welche Produkte Gemini-SQL2 erhalten werden.

Benchmarks

BIRD (BIg Bench for LaRge-scale Database Grounded Textual content-to-SQL Analysis) ist ein Industriestandard für diese Aufgabe. Es enthält 12.751 Fragen-SQL-Paare in 95 Datenbanken, die 37 professionelle Domänen abdecken, insgesamt 33,4 GB. Die Datenbanken enthalten schmutzige Werte und erfordern im Gegensatz zu älteren Benchmarks wie Spider externe Wissensvermittlung.

BIRD misst die Ausführungsgenauigkeit (EX): Das generierte SQL muss ausgeführt werden und Ergebnisse zurückgeben, die mit der Gold-Abfrage übereinstimmen. Google hat dies direkt angegeben. „Laut BIRD-Benchmark, der die ausführungsverifizierte Genauigkeit misst, sieht das SQL von GeminiSQL-2 nicht nur richtig aus, es läuft auch erfolgreich.“

Der Single Skilled Mannequin Monitor schränkt die Vorverarbeitungs-, Abruf- und Agenten-Frameworks ein, die Ensembles zur Steigerung der Punktzahlen verwenden. Es misst die Kernfähigkeit des Modells, Textual content in SQL umzuwandeln. Der bisherige Rekord von Google Cloud auf diesem Weg, gemeldet am 15. November 2025, lag bei 76,13. Google bewertet die menschliche Leistung mit 92,96, was einen Abstand von 12,92 Punkten gegenüber 80,04 lässt.

Wie sich die Bestenliste schlägt

Das Diagramm von Google auf X-Publish zeigt, dass Gemini-SQL2 vor acht genannten Konkurrenten liegt, zusammen mit mehreren unbeschrifteten Punkten. Nur 80,04 % werden als Textual content angegeben. Die folgenden Werte werden aus der Place des Diagramms abgelesen und sind Näherungswerte. Die Daten spiegeln die horizontale Platzierung jedes Punkts wider.

Zwei Muster sind sichtbar. Mit Gemini-SQL2 und Gemini-SQL belegt Google nun die ersten beiden genannten Plätze. Mehrere spezialisierte 32B-SQL-Modelle liegen in dieser Tabelle auch über einigen allgemeinen Grenzmodellen.

Anwendungsfälle mit Beispielen

• Self-Service-Analysen: Ein Income Supervisor fragt nach monatlich wiederkehrenden Einnahmen nach Area für Konten, die innerhalb von 90 Tagen nach dem Improve abgewandert sind. Dies erfordert Verknüpfungen, Fensterlogik und Datumsarithmetik. Die ausführungsverifizierte Generierung fängt SQL ab, das ausgeführt wird, aber falsche Zeilen zurückgibt.
• Information-Engineering-Entwürfe: Entwickler können BigQuery-Transformationen auf Englisch entwerfen und dann überprüfen, anstatt sie von Grund auf neu zu schreiben. In der Arbeit von Google vom November 2025 wurde das Schemaverständnis als der schwierige Teil identifiziert. Höhere BIRD-Werte spiegeln einen besseren Umgang mit mehrdeutigen Spalten und unordentlichen Werten wider.
• Eingebettete „Fragen Sie Ihre Daten“-Funktionen: SaaS-Groups, die Abfrageschnittstellen in natürlicher Sprache hinzufügen, benötigen immer noch eine menschliche Überprüfung mit einer Genauigkeit von 80 %. Jede fünfte Abfrage kann falsch sein. Die Bewertung legt Erwartungen fest, nicht die Entfernung einer Bewertung.

Implementierungsmuster

Google hat noch keine Gemini-SQL2-Modellzeichenfolge oder API veröffentlicht. Das folgende schemabasierte Muster funktioniert mit aktuellen Gemini-Modellen über das google-genai SDK. Tauschen Sie die Modellzeichenfolge aus, wenn Gemini-SQL2 ausgeliefert wird.

from google import genai

shopper = genai.Shopper()  # reads GEMINI_API_KEY from setting

schema = """
CREATE TABLE orders (
  order_id INTEGER, buyer TEXT, area TEXT,
  quantity REAL, standing TEXT, created_at DATE
);
"""

query = "Whole paid order quantity by area in 2026, highest first."

immediate = f"""You're a text-to-SQL system.
Schema:{schema}
Query: {query}
Return just one executable SQLite question. No clarification."""

resp = shopper.fashions.generate_content(
    mannequin="gemini-3.1-pro-preview",  # the bottom mannequin named within the announcement; swap when a Gemini-SQL2 ID ships
    contents=immediate,
)
print(resp.textual content)

Produktionssysteme sollten eine Ausführungsüberprüfung hinzufügen. Führen Sie die zurückgegebene SQL aus, fangen Sie Fehler ab und versuchen Sie es erneut mit der angehängten Fehlermeldung. Diese Schleife spiegelt wider, was die Ausführungsgenauigkeitsmetrik von BIRD belohnt.

Wichtige Erkenntnisse

• Google meldet Gemini-SQL2 mit einer Ausführungsgenauigkeit von 80,04 % auf der BIRD-Einzelmodell-Bestenliste.
• Die Funktion basiert auf Gemini 3.1 Professional und zielt auf „ausführungsbereites SQL“ ab, nicht nur auf plausibles SQL.
• In der Google-Tabelle belegen Gemini-SQL2 und Gemini-SQL die ersten beiden genannten Plätze; Die menschliche Leistungsfähigkeit beträgt 92,96.
• Es wurden noch keine Particulars zu API, Modellkarte, technischem Bericht oder Produktintegration veröffentlicht.

Visueller Erklärer von MARKTECHPOST

Choose a query above to generate SQL.

CREATE TABLE orders (
  order_id INTEGER, buyer TEXT, area TEXT,
  quantity REAL, standing TEXT, created_at DATE
);  -- 12 pattern rows loaded on this browser

Schauen Sie sich das an Particulars hier. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 150k+ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Möchten Sie mit uns zusammenarbeiten, um Ihr GitHub-Repo ODER Ihre Hugging Face Web page ODER Produktveröffentlichung ODER Ihr Webinar usw. zu bewerben? Vernetzen Sie sich mit uns

Nano Banana Professional ist mein persönliches Lieblingstool zum Erstellen hochwertiger Social-Media-Beiträge, Infografiken, Projektabläufe und mehr. Jetzt hat Google es mit Nano Banana Professional 2 aktualisiert, und das ist ein großer Schritt nach oben. Die neue Model ist nicht nur schneller als das Vorgängermodell, sondern auch günstiger. In diesem Artikel werde ich beide Versionen aufschlüsseln und Ihnen genau zeigen, was in diesem neuesten Replace verbessert wurde.

Nano Banana 2 vs. Nano Banana Professional: Übersicht

Wenn Sie diese Modelle im Element erkunden möchten, schauen Sie sich Folgendes an:

Vergleichen wir die Bildausgaben von Nano Banana Professional und Nano Banana 2

Aufgabe 1: Hochauflösende Bilder erstellen

Erstellen Sie ein hyperrealistisches Bild eines indischen Superhelden, der auf einem hohen Gebäude in Gurugram steht und auf den Relaxation der Stadt hinunterblickt. Der Superheld trägt die Kleidung eines indischen Königs mit einem Dhoti und einer langen, fließenden Kurta in einem hellen und königlichen Farbschema unserer Wahl. Auf den Dächern einiger umliegender Gebäude sehen wir Tafeln von Unternehmen wie Google, Microsoft, AT&T und anderen.

Nano Banana 2 Ausgang:

Nano Banana Professional-Ausgabe:

Meine Meinung:

Gewinner: Nano Banana 2

Aufgabe 2: Kommentierte Diagramme

Nano-Banane 2:

Nano Banana Professional:

Meine Meinung:

Gewinner: Nano Banana Professional

Aufgabe 3: Materialbilder studieren

Hochwertige Flatlay-Infografik von oben nach unten, die das Konzept eines Entscheidungsbaums beim maschinellen Lernen klar erklärt. Das Format sollte auf einem sauberen, hellen, neutralen Hintergrund mit sanfter, gleichmäßiger Beleuchtung angeordnet sein, damit alle Particulars lesbar bleiben. Erstellen Sie einen einfachen, schrittweisen visuellen Fluss von oben (Wurzelknoten) nach unten (Blattknoten) und verwenden Sie dabei klare schwarze handgezeichnete Pfeile, um das Auge des Betrachters zu leiten. Beschriften Sie jeden Teil des Baums mit kurzen Beschriftungen: Wurzelknoten, Merkmalsaufteilung, Entscheidungsregel, Zweig, Blatt, Vorhersage. Fügen Sie einen kleinen Beispieldatensatz hinzu und zeigen Sie, wie der Baum die Daten aufteilt. Halten Sie den Stil lehrreich, fashionable und leicht verständlich. Format 16:9

Nano-Banane 2:

Nano Banana Professional:

Meine Meinung:

Gewinner: Nano Banana Professional

Aufgabe 4: Storyboard

Erstellen Sie anhand des von mir hochgeladenen Fotos ein kurzes Storyboard mit 6 bis 8 Bildern, in dem ich die Hauptfigur bin. Halten Sie den Stil unterhaltsam, filmisch und leicht verständlich. Setzen Sie mein Erscheinungsbild in jedem Bild präzise ein und platzieren Sie mich in verschiedenen Alltagsszenen, die zu einer einfachen visuellen Geschichte zusammenfließen. Fügen Sie für jedes Bild kurze Bildunterschriften hinzu, um zu beschreiben, was gerade passiert.

Nano Banana Professional:

Nano-Banane 2:

Meine Meinung:

Gewinner: Nano Banana Professional

Aufgabe 5: Infografiken

Erstellen Sie ein Extremely-HD-Bild des Sonnensystems und fügen Sie die wichtigsten Merkmale jedes Planeten hinzu.

Nano-Banane 2:

Nano Banana Professional:

Meine Meinung:

Gewinner: Nano Banana 2

Aufgabe 6: Weblog zum Bild

Geben Sie mir eine Infografik, die den Unterschied zwischen JSON und TOON erklärt. Verweisen Sie auf den Artikel: https://www.analyticsvidhya.com/weblog/2025/11/toon-token-oriented-object-notation/

Nano-Banane 2:

Nano Banan Professional:

Meine Meinung:

Gewinner: Nano Banana Professional

Wann sollte man welches Nano-Bananen-Modell verwenden?

Nachdem man beide Modelle bei unterschiedlichen Aufgaben getestet hat, wird der Unterschied deutlich. Nano Banana 2 ist besser, wenn Sie Geschwindigkeit, großformatige Bilderzeugung und visuell ansprechende Szenen benötigen. Es eignet sich intestine für detaillierte Umgebungen, komplexe Grafiken und die schnelle Erstellung von Inhalten. Nano Banana Professional ist besser, wenn es auf Genauigkeit ankommt. Es geht sorgfältiger mit Identität, klaren Layouts und strukturierten Lehrgrafiken um. Einfach ausgedrückt: Verwenden Sie Nano Banana 2 für Geschwindigkeit und Skalierbarkeit und verwenden Sie Nano Banana Professional, wenn Sie eine bessere Kontrolle und klarere, präzisere Ergebnisse benötigen.

Lesen Sie auch: High 10 der kostenlosen Instruments zur KI-Bildgenerierung

Nano Banana Professional vs. Nano Banana 2: Kostenunterschied

Aus preislicher Sicht bietet Nano Banana Professional bei den meisten Arbeitslasten einen deutlichen Vorteil gegenüber Nano Banana 2. Eingabe- und Textausgabe-Tokens sind bei Professional 8-mal teurer, während die Bilderzeugung etwa 2-mal teurer ist. Selbst auf 4K-Niveau bleibt Professional professional Bild etwa 1,6-mal teurer. Kurz gesagt ist Professional als Excessive-Constancy-Premiummodell positioniert, während Nano Banana 2 für groß angelegte oder iterative Generierungsworkflows deutlich kosteneffizienter ist.

Weitere Informationen zu den Kosten beider Modelle finden Sie hier Hier.

Abschluss

Nachdem wir beide Modelle in so vielen verschiedenen Anwendungsfällen getestet haben, ist eines klar: Es geht nicht darum, welches Modell „besser“ ist, sondern darum, welches Modell zu Ihrem Arbeitsablauf passt. Nano Banana 2 hat mich mit seiner Geschwindigkeit, seinem Umfang und seinem visuellen Reichtum wirklich beeindruckt. Für schnelle Social-Media-Posts, Iterationen und großvolumige kreative Arbeiten ist es unglaublich effizient und kostengünstig.

Wenn ich jedoch eine strengere Kontrolle, eine sauberere Struktur, eine genaue Wahrung der Identität oder detaillierte Lehrgrafiken benötige, greife ich immer noch zu Nano Banana Professional. Es bewältigt Präzisionsaufgaben einfach zuverlässiger.

Persönlich hat es mir Spaß gemacht, Nano Banana 2 zu erkunden, und ich werde es auf jeden Fall für schnellere Aufgaben verwenden, aber für detaillierte, anspruchsvolle Bilder bleibe ich bei Professional.

Welches Bildgenerierungstool ist derzeit Ihr Favorit? Lass es mich in den Kommentaren wissen.

Hallo, ich bin Nitika, eine technisch versierte Content material-Erstellerin und Vermarkterin. Kreativität und das Lernen neuer Dinge sind für mich selbstverständlich. Ich habe Erfahrung in der Erstellung ergebnisorientierter Content material-Strategien. Ich kenne mich intestine mit Web optimization-Administration, Key phrase-Operationen, Internet-Content material-Schreiben, Kommunikation, Content material-Strategie, Redaktion und Schreiben aus.

In der hochriskanten Welt der KI-Infrastruktur geht die Branche von einer einzigen Annahme aus: Flexibilität ist Trumpf. Wir bauen Allzweck-GPUs, weil sich KI-Modelle jede Woche ändern und wir programmierbares Silizium benötigen, das sich an den nächsten Forschungsdurchbruch anpassen kann.

Aber TaalasDas in Toronto ansässige Startup glaubt, dass Flexibilität genau das ist, was KI zurückhält. Laut dem Taalas-Group müssen wir aufhören, Intelligenz auf Allzweckcomputern zu „simulieren“, und stattdessen damit beginnen, sie direkt in Silizium zu „gießen“, wenn wir wollen, dass KI so verbreitet und billig wie Plastik ist.

Das Drawback: Die „Reminiscence Wall“ und die GPU-Steuer

Die aktuellen Kosten für den Betrieb eines Massive Language Mannequin (LLM) werden durch einen physischen Engpass bestimmt: den Erinnerungswand.

Herkömmliche Prozessoren (GPUs) basieren auf der „Instruction Set Structure“ (ISA). Sie trennen Rechenleistung und Speicher. Wenn Sie einen Inferenzdurchlauf auf einem Modell wie Llama-3 ausführen, verbringt der Chip den größten Teil seiner Zeit und Energie damit, Gewichte vom Excessive Bandwidth Reminiscence (HBM) zu den Verarbeitungskernen zu transportieren. Diese „Datenbewegungssteuer“ macht quick 90 % des Stromverbrauchs in modernen KI-Rechenzentren aus.

Die Lösung von Taalas ist radikal: Eliminieren Sie den Speicherabrufzyklus. Mithilfe eines proprietären automatisierten Designablaufs übersetzt Taalas den Rechengraphen eines bestimmten Modells direkt in das physische Format eines Chips. In ihrem HC1 (Hardcore 1)-Chip sind die Gewichte und die Architektur des Modells buchstäblich in die Verkabelung des Siliziums eingraviert.

Hardcore-Modelle: 17.000 Token professional Sekunde

Die Ergebnisse dieses „Direct-to-Silicon“-Ansatzes definieren die Leistungsobergrenze für Inferenz neu. Bei ihrer letzten Enthüllung demonstrierte Taalas das HC1 Betrieb eines Llama 3.1 8B-Modells. Während ein NVIDIA H100 der Spitzenklasse einen einzelnen Benutzer mit etwa 150 Token professional Sekunde bedienen kann, leistet der HC1 eine atemberaubende Leistung 16.000 bis 17.000 Token professional Sekunde.

Dies verändert die „Einheitsökonomie“ der KI:

• Leistung: Ein einzelner HC1-Chip kann ein kleines GPU-Rechenzentrum hinsichtlich des Rohdurchsatzes für ein bestimmtes Modell übertreffen.
• Effizienz: Taalas behauptet a 1000-fache Verbesserung in der Effizienz (Leistung professional Watt und Leistung professional Greenback) im Vergleich zu herkömmlichen Chips.
• Infrastruktur: Da die Gewichte fest verdrahtet sind, sind kein externes HBM oder komplexe Flüssigkeitskühlsysteme erforderlich. Ein standardmäßiges luftgekühltes Rack kann zehn dieser 250-W-Karten aufnehmen und liefert so die Leistung eines gesamten GPU-Clusters in einer einzigen Serverbox.

Die 60-Tage-Grenze durchbrechen: Die automatisierte Gießerei

Der offensichtliche Haken für einen KI-Entwickler ist Flexibilität. Wenn Sie heute ein Modell fest in einen Chip integrieren, was passiert, wenn morgen ein besseres Modell herauskommt? In der Vergangenheit dauerte der Entwurf eines ASIC (Software-Particular Built-in Circuit) zwei Jahre und kostete mehrere zehn Millionen Greenback.

Taalas hat dieses Drawback gelöst Automatisierung. Sie haben ein Compiler-ähnliches Gießereisystem aufgebaut, das Modellgewichte nimmt und in etwa einer Woche ein Chipdesign generiert. Durch die Konzentration auf einen optimierten Fertigungsablauf, bei dem nur die oberen Metallmasken des Siliziums ausgetauscht werden, konnten sie die Durchlaufzeit von „Gewichte zu Silizium“ auf nur noch wenige Sekunden verkürzen zwei Monate.

Dies ermöglicht einen „saisonalen“ Hardwarezyklus. Ein Unternehmen könnte im Frühjahr die Feinabstimmung eines Grenzmodells vornehmen und bis zum Sommer Tausende spezialisierter, hocheffizienter Inferenzchips im Einsatz haben.

Der Marktwandel: Von Schaufeln zu Briefmarken

Dieser Übergang markiert einen entscheidenden Second im KI-Hype-Zyklus. Wir bewegen uns von der Part „Forschung und Schulung“, in der GPUs für ihre Flexibilität von entscheidender Bedeutung sind, zur Part „Bereitstellung und Inferenz“, in der die Kosten professional Token die einzige Messgröße sind, die zählt.

Wenn Taalas erfolgreich ist, wird sich der KI-Markt in zwei verschiedene Ebenen aufteilen:

1. Allgemeine Schulung: Unter der Leitung von NVIDIA und AMD werden die riesigen, flexiblen Cluster bereitgestellt, die zum Entdecken und Trainieren neuer Architekturen erforderlich sind.
2. Spezialisierte Schlussfolgerung: Angeführt von „Gießereien“ wie Taalas, die diese bewährten Architekturen nutzen und sie in billiges, allgegenwärtiges Silizium für alles von Smartphones bis hin zu Industriesensoren „drucken“.

Wichtige Erkenntnisse

• Der „festverdrahtete“ Paradigmenwechsel: Taalas zieht um softwaredefinierte KI (Ausführen von Modellen auf Allzweck-GPUs) bis Hardwaredefinierte KI. Indem sie die Gewichte und Architektur eines bestimmten Modells direkt in das Silizium „einbacken“, machen sie den herkömmlichen Befehlssatz-Overhead überflüssig und machen das Modell effektiv zum Prozessor selbst.
• Tod der Erinnerungsmauer: Herkömmliche KI-{Hardware} verschwendet etwa 90 % ihrer Energie beim Verschieben von Daten zwischen Speicher und Rechenleistung. Taalas HC1 (Hardcore 1) Der Chip eliminiert die „Reminiscence Wall“, indem er die Modellparameter physisch in den Metallschichten des Chips verdrahtet, wodurch der Bedarf an teurem Excessive Bandwidth Reminiscence (HBM) entfällt.
• 1000x Effizienzsprung: Durch die Abschaffung der „Programmierbarkeitssteuer“ behauptet Taalas a 1.000-fache Verbesserung in Leistung professional Watt und Leistung professional Greenback. In der Praxis bedeutet dies, dass ein HC1 treffen kann 17.000 Token professional Sekunde auf einem Llama 3.1 8B-Modell – übertrifft ein Customary-GPU-Rack deutlich und verbraucht dabei weitaus weniger Strom.
• Automatisierte „Direct-to-Silicon“-Gießerei: Um das Drawback der Modellveralterung zu lösen, verwendet Taalas ein proprietäres Automatisierter Designablauf. Dadurch verkürzt sich die Zeit für die Erstellung eines benutzerdefinierten KI-Chips von Jahren auf nur noch wenige Jahre WochenDies ermöglicht es Unternehmen, ihre fein abgestimmten Modelle saisonal in Silizium zu „drucken“.
• Die Zukunft der Rohstoff-KI: Diese Technologie signalisiert einen Wandel von „Cloud-First“ hin zu „Gerätenative“ KI. Da Inferenz zu einem billigen, fest verdrahteten Intestine wird, wird KI von zentralisierten Servern auf lokale {Hardware} mit geringem Stromverbrauch verlagert – von Smartphones bis hin zu Industriesensoren – ohne Latenz und ohne Abonnementkosten.

Schauen Sie sich das an Technische Particulars. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Die KI-Kriege erreichten Ende 2025 ihren Höhepunkt. Google hat Gemini 3 Professional veröffentlicht Am 18. November hatte es innerhalb kürzester Zeit 2 Milliarden Nutzer. OpenAI wagte dann den Schritt und veröffentlichte GPT 5.2 am 9. Dezembernachdem sie vorher geplant hatten, dass es etwas länger dauern würde, jetzt aber aufgrund der „Code Purple“-Direktive ihr Tempo beschleunigen. Nachdem nun beide Modelle auf dem Markt sind, wollen wir alle wichtigen Aspekte dieser revolutionären KI-Modelle durchgehen, um herauszufinden, welches Modell sich in diesem Showdown zwischen Gemini 3 Professional und GPT 5.2 auszeichnet

Der Kampf der KI-Giganten

Gemini 3 Professional conflict die erste KI überhaupt, die 1500 Elo auf der LMArena-Rangliste überschritt und 1501 Punkte erzielte. Es wurde bald in der Google-Suche, Gmail und der Gemini-App verfügbar. OpenAIs Die Konkurrenzreaktion conflict eine zweiwöchige Vorverlegung der Veröffentlichung von GPT 5.2. CEO Sam Altman beauftragte verschiedene Ingenieurteams mit der Arbeit an der Technologie, um sicherzustellen, dass OpenAI weiterhin das Unternehmen bleibt, das für seine Argumentation und Zuverlässigkeit im Bereich KI anerkannt wird.

Kernmerkmale: Was zeichnet sie aus?

Wir vergleichen die Hauptmerkmale beider Modelle, um zu sehen, was Gemini 3 Professional von GPT 5.2 unterscheidet.

Lesen Sie auch: Prime 10 KI-Modelle für die Webentwicklung im Jahr 2025

Funktionen von Gemini 3 Professional

• Kontextfenster: 1 Million Token (2,5-fache Größe von GPT 5.2)
• Multimodale Beherrschung: Verarbeitet Textual content, Bilder, Movies mit 60 FPS, Audio und Code gleichzeitig
• Deep-Considering-Modus: Führt 10–15 Schritte des logischen Denkens aus, ohne die Aufmerksamkeit zu verlieren
• Generative Benutzeroberfläche: Erstellt interaktive Anwendungen und Grafiken aus einfacher Sprache
• Google-Integration: Funktioniert mühelos in Workspace, Android und Cloud

CEO Demis Hassabis gibt an, dass frühere Modelle bei den 5–6 Schritten „den Faden verlieren“ würden, während Gemini 3 Professional den Fluss durch die schwierigen Argumentationsketten beibehält.

Funktionen von GPT 5.2

• Kontextfenster: 400.000 Token mit 128.000 Token als maximalem Output
• Drei Varianten: Instantaneous (Geschwindigkeit), Considering (Argumentation), Professional (maximale Präzision)
• Argumentationsebenen: Anpassbar von niedrig bis sehr hoch, je nach Komplexität der Aufgabe
• Fehlerreduzierung: 38 % weniger Fehler im Denkmodus im Vergleich zu GPT 5.1
• Wissensgrenze: 31. August 2025 (neuer als die vorherigen)

Preisvergleich

Wenn wir uns die Preise beider Modelle ansehen, können wir feststellen, dass GPT im Vergleich zum Gemini 3 Professional etwas teurer ist. Wenn es dazu kommt, könnte Gemini 3 Professional die Oberhand haben. Kurz gesagt: Gemini ist für alltägliche Kunden gedacht, während GPT 5.2 für Elite-Profis gedacht ist.

Praktische Demonstration: GPT 5.2 vs. Gemini 3 Professional

Hier kommt es zu einem wahren Kopf-an-Kopf-Rennen zwischen den beiden Modellen, um den ultimativen Gewinner zu ermitteln.

Aufgabe 1: Codierungsanalyse

Hier werden wir beide Modelle auffordern, ihre fortgeschrittenen Codierungsfähigkeiten zu überprüfen und zu überprüfen, wie detailliert und intestine ihre Antworten sind.

Immediate:

Erstellen Sie eine vollständige Vertriebs-Dashboard-Net-App mit:

• Benutzeranmeldung mit JWT-Authentifizierung
• Echtzeit-Umsatzdiagramm mit Chart.js
• Datenraster mit den Prime-10-Kunden
• Responsives Mobil-/Desktop-Design
• Umschalten des Dunkelmodus
• REST-API-Endpunkte
• React-Frontend + Node.js/Specific-Backend

Berücksichtigen Sie die ordnungsgemäße Fehlerbehandlung und Greatest Practices für die Sicherheit

GPT-5.2-Ausgabe:

Gemini 3 Professional-Ausgabe:

Ergebnisanalyse:

• Gemini 3 Professional: Bekannt für seine ProgrammierfähigkeitenGemini 3 Professional bietet eine atemberaubende visuelle Benutzeroberfläche mit flüssigen Animationen und ausgefeiltem Design. Möglicherweise hat die Ästhetik Vorrang vor der Produktionssicherheit.
• GPT 5.2: Produktionsbereiter Code mit Fehlerbehandlung, Authentifizierungs-Middleware, Eingabevalidierung und branchenüblicher Struktur.

Urteil: GPT 5.2 für Unternehmensanwendungen; Gemini 3 Professional für beeindruckende Demos.

Aufgabe 2: Bildanalyse

In dieser Aufgabe stellen wir beiden Modellen ein Bild einer Hand mit 11 Fingern zur Verfügung und prüfen, ob sie den 11. Finger erkennen können oder nicht.

Immediate:

Analysieren Sie dieses Bild sorgfältig und zählen Sie die Anzahl der sichtbaren Finger. Achten Sie besonders auf die anatomische Genauigkeit und melden Sie alle beobachteten Anomalien. Beschreiben Sie die Place der Hand und etwaige ungewöhnliche Merkmale.

GPT-5.2-Ausgabe:

Gemini 3 Professional-Ausgabe:

Welches Modell sollten Sie wählen?

Wählen Sie Gemini 3, wenn:	Wählen Sie GPT-5.2, wenn:
Multimodale Inhalte (Bilder, Video, Audio)	Code in Produktionsqualität
Riesige Kontextfenster	Professionelle Wissensarbeit
Interaktive UI-Generierung	Maximale Zuverlässigkeit
Google Workspace-Integration	Mathematische Genauigkeit
Kostenloser, hochmoderner KI-Zugang	Textbasierte Aufgaben
Nachhaltiges mehrstufiges Denken	Kostenoptimierte Argumentationsebenen

Benchmark-Vergleich

• Codierung: GPT 5.2 erhält eine Punktzahl von 80 % für das Debuggen und das Backend sieht die Produktion im SWE-Bench; Googles Gemini verfügt über vollständige interaktive Apps über einzelne Eingabeaufforderungen auf der Entrance-Finish-Benutzeroberfläche.
• Mathematik und Argumentation: Die Punktzahl von 94,2 % beim MMLU-Professional-Benchmark wird von GPT 5.2 mit leistungsfähigerem abstraktem Denken erreicht; Gemini 3 Professional arbeitet mit 10–15 Argumentationsschritten für komplexe wissenschaftliche Probleme und bewegt sich durchgehend kohärent.
• Multimodalität: Die Handhabung mehrerer Eingaben, 3D-Verständnis und Videoverarbeitung mit 60 FPS sind die Funktionen, die Gemini 3 Professional die Oberhand verschaffen; Unterdessen konzentriert sich GPT 5.2 immer noch hauptsächlich auf Textual content.
• Kontextfenster: Für vollständige Codebasen gibt Googles Gemini 1 Million Token; Laut 5.2 stellt es 400.000 Token zur Verfügung, was für die meisten professionellen Zwecke ausreicht.
• Sicherheit und Zuverlässigkeit: Bei der sicheren Abschlussforschung liefert GPT 5.2 38 % weniger Fehler; Umfangreiche Sicherheitstests zeigen, dass sich die sofortige Injektionsresistenz des Gemini 3 Professional verbessert hat.

Abschluss

Gemini 3 Professional und GPT 5.2 sind zwei verschiedene Produkte, die sich auf unterschiedliche Leistungsbereiche beziehen. Ersteres ist eine multimodale Supermacht mit einer erstaunlichen Fähigkeit, den Kontext zu verstehen, während letzteres stets die gleiche hohe Zuverlässigkeit bietet, die für die technischen Aspekte der Codierung und die täglichen Geschäftsprozesse erforderlich ist.

Die besser informierten Nutzer werden sich für beide Instruments entscheiden: Googles Gemini für Aufgaben, die Kreativität, visuelle Darstellungen und explorative Ansätze erfordern; GPT 5.2 für diejenigen, die kritisch sind und schnell erledigt werden müssen.

Wer wird additionally der wahre Gewinner sein? Die Innovatoren, die diese Innovation vorantreiben, indem sie diese Modelle sinnvoll nutzen, zeigen die Rolle des bedeutendsten KI-Sprungs in der Geschichte.

Gen AI-Praktikant bei Analytics Vidhya
Abteilung für Informatik, Vellore Institute of Expertise, Vellore, Indien

Derzeit arbeite ich als Gen AI-Praktikant bei Analytics Vidhya, wo ich zu innovativen KI-gesteuerten Lösungen beitrage, die Unternehmen in die Lage versetzen, Daten effektiv zu nutzen. Als Informatikstudent im Abschlussjahr am Vellore Institute of Expertise bringe ich solide Grundlagen in Softwareentwicklung, Datenanalyse und maschinellem Lernen in meine Rolle ein.

Kontaktieren Sie mich gerne unter (e-mail protected)

Google DeepMind scheint auf dem Vormarsch zu sein. Direkt im Anschluss daran Gemini 3 und Gemini 3 Professional AI-Modellehat das Unternehmen nun Nano Banana Professional angekündigt. Die neue Model von Nano Banana ist in das neueste Gemini 3 Professional eingebettet und wird von diesem angetrieben. Sie verspricht ein völlig neues Niveau der KI-Bildgenerierung und -bearbeitung. Und nein, das ist nicht Ihr üblicher „Das ist das beste KI-Modell da draußen“-Angebot. Ein Blick auf die neuen und verbesserten Funktionen zeigt, dass es sich bei der neuen Nano Banana um ein leistungsstarkes Improve handelt. Blick? Es löst das hirnlähmende, bis ins Mark irritierende Textual content-im-Bild-Drawback, das jeder hat KI-Bildgenerator da draußen kämpft mit.

Für den Fall, dass Ihnen das Improve nicht groß genug battle, erfahren Sie hier, was es Neues beim Nano Banana Professional gibt und wie Sie damit Ihre Fotos bearbeiten können, um die bestmöglichen Ergebnisse zu erzielen.

Fangen wir additionally ohne Verzögerung an.

Nano Banana Professional: Was ist neu?

Bevor wir lernen, es zu nutzen, müssen wir zunächst verstehen, worum es bei dem neuen Improve geht. Wie ich bereits erwähnt habe, ist Nano Banana Professional Teil von Gemini 3 Professional Picture. Dies bedeutet im Grunde, dass das neue Modell das reale Wissen von Gemini nutzt, um „präzise Ergebnisse zu liefern“. Das sind die Worte von Google, nicht von mir, wie sie darin geteilt werden freigeben. Und wenn wir diesen folgen wollen, ermöglicht das Improve Nano Banana nun, alles zu generieren, „von komplexen Infografiken bis hin zu historisch korrekten Szenen“. Dies bringt auch die neu entdeckten Funktionen zur „genauen Textgenerierung“ mit sich.

In diesem Artikel befassen wir uns mehr mit den Bearbeitungsmöglichkeiten, die mit dem einhergehen neues Nano Banana AI-Modell. Wir werden gleich darauf zurückkommen, sobald wir wissen, wie wir auf den neuen Nano Banana Professional zugreifen können.

Nano Banana Professional: Wie greife ich zu?

Zum Glück hat Google das neue Nano Banana AI-Modell nicht hinter obskuren Menüs oder langen Onboarding-Prozessen versteckt. Wenn Sie sich bereits im Gemini-Ökosystem befinden, ist Nano Banana Professional nur einen Klick entfernt, egal ob Sie es gelegentlich ausprobieren, damit bauen oder es in umfassende Arbeitsabläufe integrieren möchten.

Hier finden Sie alle Möglichkeiten, wie Sie noch heute auf Nano Banana Professional zugreifen können:

• Zwillinge (Net oder App): Steigen Sie im Haupterlebnis von Gemini direkt in Nano Banana Professional ein. Dies ist very best für schnelle Bearbeitungen, Experimente oder die spontane Erstellung von Bildern.
• Google AI Studio: Ein praxisorientierterer Arbeitsbereich, in dem Sie Eingabeaufforderungen testen, Ausgaben optimieren und seine Funktionen im Element erkunden können.
• Gemini-API: Wenn Sie Entwickler sind, können Sie das neue Nano-Banana-Modell mithilfe der Gemini-API in Ihre eigenen Apps integrieren und benutzerdefinierte Bildbearbeitungs- oder Generierungsabläufe erstellen.
• Vertex AI Studio: Für Groups und Unternehmen ist Nano Banana Professional über Vertex AI Studio verfügbar, sodass Sie Picture-Pipelines in Produktionsqualität testen, optimieren und bereitstellen können.

Ich würde vorschlagen, dass Sie Nano Banana Professional zuerst in Gemini 3 ausprobieren, über das Web oder die App. Sie können im Rahmen des Basisplans (kostenlos) bis zu 4 hochauflösende Bilder erstellen. Für die Veröffentlichung müssen Sie die kostenpflichtigen Versionen, die bei Rs 975 beginnen, für 2 Monate abonnieren.

Nachdem wir nun wissen, wie Sie auf das Nano Banana Professional zugreifen können, werfen Sie einen Blick auf die vollständigen Funktionen, die es mit sich bringt – und wie Sie damit Ihre Bilder wie ein Profi bearbeiten können.

So bearbeiten Sie Ihre Fotos mit Nano Banana Professional

Wir sind jetzt mittendrin und Sie werden bald erfahren, warum Nano Banana Professional einer der leistungsstärksten KI-Bildeditoren auf dem Markt ist. Machen Sie einfach mit und lassen Sie sich von den Möglichkeiten überwältigen. Vergessen Sie aber nicht, sie zu Ihrem eigenen Wohl zu nutzen.

So verwenden Sie jede dieser Bearbeitungsoptionen:

• Besuchen Google Gemini, indem Sie hier klicken.
• Klicken Sie auf die Choice „Bild erstellen“ unter dem Textfeld, um auf das neue Nano Banana-Modell zuzugreifen.
• Fügen Sie eine kurze Aufforderung hinzu wie: „Verwandeln Sie diese Skizze in ein modernes Smartwatch-Produkt-Rendering in Silber und Schwarz.“
• Sehen Sie, wie Nano Banana Professional Ihr Traumbild zum Leben erweckt.

1. Verwandeln Sie Gekritzel in Produkte, Objekte oder 3D-Gebäude

Wenn Ihre zeichnerischen Fähigkeiten bei Strichmännchen den Höhepunkt erreichen, steht Ihnen Nano Banana Professional zur Seite. Laden Sie einfach eine grobe Skizze hoch und teilen Sie dem Modell mit, was Sie tatsächlich wollen. Nano Banana Professional ist in der Lage, aus einer einfachen Skizze ein ausgefeiltes Produktmodell, ein 3D-Gebäude oder ein realistisches Objektrendering zu erstellen. Schauen Sie sich das im folgenden Beispiel an und lassen Sie sich überraschen.

Aufforderung 1: „Create a Clean Brand in a Graphic Fashion“ ist eine lebendige und verspielte Type der typografischen Illustration, die tief in der Retro-Ästhetik der 1960er und 1970er Jahre verwurzelt ist und lose auf der Skizze basiert. Ihr charakteristisches Merkmal ist eine groovige, psychedelisch inspirierte Schriftart, die sich durch weiche, abgerundete und fließende Buchstabenformen auszeichnet. Folgen Sie nicht genau der Skizze, sondern lassen Sie sich von ihr inspirieren. Die Buchstaben werden gekonnt verzerrt, gedehnt und gestaucht und verlassen so die starre Struktur, um zusammenzufließen und eine zusammenhängende, erkennbare Type zu bilden.

Diese als Kalligramm bekannte Technik verbindet Textual content und Bild meisterhaft, wobei die Type des Wortes seine Bedeutung visuell verkörpert. Das Wort „WAVE“ ist kunstvoll in der fließenden Silhouette einer Welle angeordnet. Das Design ist ein cleveres visuelles Wortspiel, das die Botschaft sofort zugänglich und einprägsam macht.

Die Farbpalette verstärkt das Classic-Feeling und verwendet ein einfaches zweifarbiges Schema mit warmen, oft gedämpften oder erdigen Farben, hellblauem Hintergrund und tiefblauem Brand. Diese Wahl verstärkt den nostalgischen Charme des Kunstwerks. Der Gesamteffekt ist von skurriler Nostalgie und cleverem Grafikdesign geprägt. Es handelt sich um einen mutigen, aber dennoch zugänglichen Stil, der durch die nahtlose Integration von Type und Wort eine einfache, constructive Botschaft vermittelt und so eine unmittelbare und reizvolle visuelle Wirkung erzeugt.

Aufforderung 2: Erstellen Sie nun nacheinander ein Identitätssystem, verwenden Sie 10 hochwertige Modelle mit einer Vielzahl relevanter Produkte, Anzeigen, Werbetafeln, Bushaltestellen usw. und erstellen Sie jeweils eines nach dem anderen im 16:9-Format

Ausgabe:

2. Erzeugen Sie superhochauflösende Bilder

Dies fällt nicht unbedingt in die Kategorie „Bearbeitung“, obwohl dies der naheliegende Schritt für den Anfang jeder grafischen Arbeit ist. Mit Nano Banana Professional können Sie mit einer einzigen Eingabeaufforderung ganz einfach superhochauflösende Bilder in naturgetreuer Qualität erstellen. Fassen Sie einfach Ihre Vorstellungskraft in Worte und geben Sie die Eingabeaufforderung ein, und Sie werden mit Sicherheit ein Ergebnis erhalten, das mit keinem anderen KI-Bildgenerator vergleichbar ist. Hier ist ein Beispiel für Sie in Type einer Eingabeaufforderung, die ich verwendet habe.

Immediate: Erstellen Sie ein hyperrealistisches Bild eines indischen Superhelden, der auf einem hohen Gebäude in Gurugram steht und auf den Relaxation der Stadt hinunterblickt. Der Superheld trägt die Kleidung eines indischen Königs mit einem Dhoti und einer langen, fließenden Kurta in einem hellen und königlichen Farbschema unserer Wahl. Auf den Dächern einiger umliegender Gebäude sehen wir Tafeln von Unternehmen wie Google, Microsoft, AT&T und anderen.

Ausgabe:

3. Spielen Sie mit Farbe und Beleuchtung

Nano Banana Professional zeichnet sich angeblich dadurch aus, dass es die Farben und die Beleuchtung innerhalb eines bestimmten Bildes ändert und dabei die Konsistenz mit den Objekten und dem gesamten Erscheinungsbild des Bildes beibehält. Dies bedeutet, dass Sie Ihre Bilder von Nacht auf Tag umwandeln, die Beleuchtung erhöhen oder verringern können, um die Helligkeit zu erhöhen, oder sogar professionelle Lichteffekte wie Hell-Dunkel erzeugen können. Die Möglichkeiten sind nur durch Ihre Vorstellungskraft begrenzt.

Für Sie haben wir diese Funktion im oben generierten Bild getestet. Schauen Sie sich die Ergebnisse an:

Immediate: Können Sie daraus eine Nachtszene erstellen, bei der die Figur verschlossen bleibt, aber alle sichtbaren Gebäude im Inneren mit Lichtern beleuchtet werden?

Ausgabe:

4. Ändern Sie Winkel und Schussarten

Wie wäre es, wenn Sie Ihre generierten (oder vorhandenen) Bilder aus einem anderen Blickwinkel betrachten würden? Nana Banana Professional macht es jetzt mit einer einzigen Eingabeaufforderung möglich. Weisen Sie das KI-Modell einfach richtig an, was Sie wollen, und es wird es auf möglichst lebendige grafische Weise zum Leben erwecken. Hier finden Sie einige Beispiele, damit Sie diese Funktion in Aktion testen können.

Immediate: Eine Totalaufnahme einer Frau, die im Wald spaziert, mit Sonnenstrahlen und volumetrischer Beleuchtung. Seitenverhältnis 16:9

Ausgabe:

5. Erhöhen Sie die Auflösung oder ändern Sie die Seitenverhältnisse

Mit dem neuen Nano Banana AI-Modell können Sie jetzt jedes Bild je nach Bedarf auf eine Auflösung von 1K, 2K oder 4K hochskalieren. Um dies noch weiter zu ergänzen, können Sie sogar die Seitenverhältnisse ändern, sodass Sie Ihre Fotos ganz einfach an verschiedene Plattformen und Anwendungsfälle anpassen können. Die folgenden Beispiele zeigen diese Funktionen in Aktion.

Aufforderungen: Vergrößern Sie dieses Bild und behalten Sie dabei das Seitenverhältnis 16:9 bei

Ausgabe:

6. Übersetzen Sie Textual content, um Ideen zu lokalisieren

Dieses hier ist für die Vermarkter da draußen. Während die meisten anderen KI-Bildgeneratoren/-editoren immer noch Probleme mit jeglichem Textual content in einem Bild haben, hat Google seinen Nano Banana Professional in dieser Hinsicht offenbar zu einem echten „Profi“ gemacht. Beispiele für seine Verwendung zeigen, dass das KI-Modell in der Lage ist, den gesamten Textual content innerhalb eines Produkts in die Sprache der Wahl des Benutzers zu konvertieren, und das alles ohne einen einzigen Fehler in der Ausgabe. Es versteht sich von selbst, dass dies für Produktwerbung und Advertising von entscheidender Bedeutung ist und Ihnen dabei hilft, jedes grafische Erlebnis mit einer einzigen Eingabeaufforderung zu lokalisieren.

Sehen Sie es sich im folgenden Beispiel in Aktion an.

Immediate: Übersetzen Sie den gesamten englischen Textual content auf den drei gelben und blauen Dosen ins Koreanische, während alles andere beim Alten bleibt

Ausgabe:

7. Erstellen Sie mehrere Bilder gleichzeitig

Zeit für die große Enthüllung. Bewegen Sie sich mit einer einzigen Eingabeaufforderung über einzelne (oder mehrere) Bildausgaben. Mit Nano Banana Professional können Sie jetzt mit einer einzigen Eingabeaufforderung eine ganze Bildrolle erstellen. Stellen Sie sich vor, Sie skizzieren eine ganze Geschichte anhand einer Reihe von Bildern, und das alles mit einer einzigen, detaillierten Eingabeaufforderung. Die gleiche Funktion kann Ihnen auch dabei helfen, mehrere kreative Ideen gleichzeitig zu erkunden, sodass die Suche nach dem richtigen Artistic kein Zufallsspiel mehr ist.

Hier ist ein Blick darauf in Aktion:

Immediate: Berühmter gemeinfreier Kinderfilm im bereitgestellten Stil und im gleichen Farbschema. 10 Bilder einzeln. kein Textual content. Kein einziger Comicstrip, sondern 10 Frames nacheinander generieren, jedes mit eigener Eingabeaufforderung und eigenem Serveraufruf. Jeweils Querformat 16:9

Ausgabe:

Abschluss

Das neue Nano Banana-Modell scheint mehr als nur ein weiteres Improve zu sein Googles Um zu sagen, dass die KI-gestützte Bearbeitung offiziell in eine neue Ära eingetreten ist. Mit seiner Fähigkeit, die Beleuchtung neu zu schreiben, Textual content zu korrigieren, Kamerawinkel zu ändern, auf 4K hochzuskalieren und sogar ein Scribble in ein produktionsfertiges Rendering umzuwandeln, nutzt dieses Device jede kreative Abkürzung, die Sie sich gewünscht haben, und erweckt sie mit einer einzigen Eingabeaufforderung zum Leben. Es ist schnell, flexibel und erschreckend intestine darin, zu verstehen, was Sie gemeint haben, nicht nur, was Sie eingegeben haben.

Egal, ob Sie Designer, Vermarkter, Pupil oder jemand sind, der einfach gerne mit visuellen Elementen spielt, dem Neuen Nano-Banane gibt Ihnen die Artwork von kreativen Superkräften, für die früher ein ganzes Kreativteam erforderlich battle. Und das Beste daran? Sie müssen nichts Neues lernen. Sprechen Sie einfach Ihre Ideen aus und überlassen Sie der KI die schwere Arbeit. Die Zukunft der Bildbearbeitung liegt offiziell im Dialog und Nano Banana Professional ist der Beweis.

Sinkronisasi-Daten

Nutzen Sie die Samsung Cloud-Plattform, um die Daten des XCover 7 Professional und des Tab Lively 5 Professional zu erweitern. In diesem Fall werden Katalanen, Dokumente und Fotos in Echtzeit aufgezeichnet.

Gunakan Sesuai Kelebihan

Das XCover 7 Professional ist very best für die Kommunikation, das Herunterladen von Bildern und die App. Das Tab Lively 5 Professional ist für die Analyse von Daten, die Dokumentation und die Zusammenarbeit mit anderen Benutzern erforderlich. Sie können Ihre Produktivität steigern.

Manajemen Baterai

Der Grund dafür ist, dass die Batterie nicht austrocknet. Misalnya, das XCover 7 Professional für die Kommunikation und das Tab Lively 5 Professional für den Intensiv-Check. Der Aktifkan-Modus schaltet sich automatisch aus.

Keamanan Bersama

Samsung Knox bietet Ihnen die Möglichkeit, Daten zu speichern und zu speichern. Bitte achten Sie darauf, dass Sie keine Informationen zur Sensibilisierung des Geräts benötigen.

Dokumentasi Efektif

Ambil Foto zu katalanisch mit XCover 7 Professional, eine lange Analyse bei der Bearbeitung von Tab Lively 5 Professional. Ich habe mich darum gekümmert, dass ich mich nicht mehr umdrehen und mich auf ein Minimal beschränken muss.