Gemini 2.0 Flash vs. Flash-Lite: Which One Should You Use?

OK, Google hat gerade die Gemini Familie um Flashlight erweitert, ein neues Modell und eine neue Pro Version. Sie haben sogar ein neues Flash Thinking Experiment mit Apps veröffentlicht, die über YouTube, Maps und die Suche hinweg denken können. YouTube und Maps sind etwas, das der OpenAI Operator nicht verwenden kann. Die größte Veröffentlichung der drei war die Pro Version. Ich persönlich interessiere mich jedoch für FL Lite und es gibt nicht viele Informationen darüber, außer dass es sich um eine neue Variante handelt, die das bisher kostengünstigste Modell ist. Und wenn man sich die Kosten ansieht, liegen sie nur etwa 7 Cent pro einer Million Token und etwa 30 Cent pro Ausgabe Token, was ziemlich verrückt ist. In diesem Video werden wir einen direkten Vergleich zwischen den Modellen Flash und Flashlight durchführen, Aber zuerst schauen wir uns an, wie sich diese Modelle im Vergleich zueinander schlagen. Alle drei sind von Natur aus multimodal, wenn es um die Eingabe geht. Sie können also Audio, Bilder und Text verarbeiten. Derzeit ist die Ausgabe nur auf Text beschränkt, aber die Bild und Audioausgabe für Flash und Pro wird bald verfügbar sein. Die Lite Version scheint diese Fähigkeit nicht zu haben. Beim Kontextfenster hat Pro mit zwei Millionen Token das längste Kontextfenster, verglichen mit einer Million bei Flash und flashlight. Alle drei unterstützen strukturierte Ausgaben und Funktionsaufrufe allerdings. Allerdings sehe ich in iStudio keine Funktionsaufrufe mit der Flashlight Vorschau und Flashlight wird nicht über eine Suche als Tool und keine Codeausführung hinter der API verfügen. Nun scheint flashlight im Vergleich zum vorherigen Zoll Flash viel besser zu sein und übertrifft in einigen Fällen sogar das ursprüngliche 1.5 Pro. Ich denke also, dass die Kombination aus dem kostengünstigsten Modell und der besten Leistung es zu einer sehr interessanten Wahl macht und man könnte es möglicherweise als Arbeitspferd verwenden, da man die meiste Zeit nicht das leistungsstärkste Modell benötigt. Es wird Aufgaben geben, die ein einigermaßen gutes Modell erfordern und flashlight scheint ein solches Modell zu sein. Aber wie schlägt es sich im Vergleich zum Gemini Flash? In diesem Video werden wir es anhand einiger Programmieraufgaben testen und ich möchte es auch anhand von Retrieval Aufgaben testen. Um diese beiden Modelle zu vergleichen, verwende ich nun Die Vergleichsoption in iStudio. Das erste Modell wird also Flash sein, das zweite wird Flashlight Preview sein. Zuerst möchte ich den langen Kontext testen. Um das zu testen, habe ich den technischen Bericht Deepseek B hochgeladen, der insgesamt 53 Seiten umfasst. Bevor ich sie teste, setze ich die Temperatur für beide auf null und wenn Sie sich die Liste der verfügbaren Tools ansehen, Flash hat Zugriff auf strukturierte Ausgabe, Codeausführung, Funktionsaufrufe und die Antworten können mit der Google Suche gefunden werden. Für das andere Light haben wir nur Zugriff auf strukturierte Ausgabe und meine Eingabeaufforderung wird Welche wichtigen Beiträge und Innovationen werden in diesem Dokument vorgeschlagen? Es wurden nun etwa Token aus diesem Dokument extrahiert. Lassen Sie uns das ausführen und die Geschwindigkeit der Generierung sehen. OK, ich erhalte tatsächlich einen Fehler auf der Light Seite, aber ich habe dieselbe Eingabeaufforderung erneut ausgeführt. Aus irgendeinem Grund dauerte es bei der Light Vorschau etwa 15 Sekunden, während es bei Flash etwa 12 Sekunden dauerte. Vergleichen wir nun die Ergebnisse. Zunächst befassen sich beide mit der Architektur von Multi Head Attention. Deepseek mit verlustfreiem Hilfs Load Balancing und Multi Token Vorhersagen. Dies sind die wichtigsten Beiträge in Bezug auf die Architektur. Flash hob den verlustfreien Hilfs Load Balancing und die Multi Token Vorhersagen hervor. Interessanterweise wurde Multi Head Attention nicht erwähnt, was ziemlich interessant ist. Dann wird über die Effizienz des Trainings gesprochen, also FP Mix Precision Training, dann der Dual Pub Algorithmus für Parallelität, effiziente Kommunikation zwischen Knoten und Optimierung des Speicherbedarfs. Hier sehen wir ein sehr ähnliches Muster. Es geht also um das FB Kerndesign von Algorithmus, Frameworks und Hardware und dann um qualitativ hochwertiges Vortraining. Hier geht es um DualPAP und dann um effiziente Kommunikation zwischen Knoten. Beide rufen also ähnliche Informationen ab und sogar Flash erkennt MLA. Insgesamt sind beide Zusammenfassungen also sehr ähnlich und Sie können beide verwenden. Als nächstes beginnen wir mit einigen Programmierfragen. Wir beginnen mit der einfachsten Ich wollte also eine HTML Webseite erstellen, die einen Button mit der Aufschrift Klick mich haben soll. Und immer wenn wir auf diesen Button klicken, soll er zufällig einen Witz auswählen, den Hintergrund ändern und außerdem eine zufällige Animation hinzufügen. Führen wir das noch einmal aus. Beide haben direkt mit dem Code angefangen, was ziemlich interessant anzusehen ist. Ich gehe davon aus, dass sie sehr ähnliche Witze haben werden und der Atomwitz wird ganz oben sein. Man kann ihn in beiden Fällen sehen, sogar der zweite Witz ist sehr ähnlich. Es scheint, als würde die Taschenlampe eine sehr ähnliche Architektur verwenden. Der dritte Witz ist auch derselbe. Der vierte Witz ist in der Flash Ausgabe nicht vorhanden und es könnte sein, dass die Taschenlampe nur eine destillierte Version des ursprünglichen Flash ist. OK, zuerst kopieren wir also die Ergebnisse von der Taschenlampe. Führen wir das aus. Wir sehen also einen Button und wenn man darauf klickt, ändert sich tatsächlich der Hintergrund. Außerdem wird zufällig ein weiterer Witz angezeigt, aber ich denke, die Änderungen an der Animation sind nicht so auffällig. Hier sind nun die Ergebnisse von Flash. Ja, es funktioniert viel besser beim Befolgen der Eingabeaufforderung, da es nicht nur die Hintergrundfarbe ändern, verschiedene Witze anzeigen und verschiedene Animationen hinzufügen kann, obwohl Flashlight für diese Aufgabe im Vergleich zum ursprünglichen Flash etwas schneller war. Als Nächstes werden wir es anhand einer der derzeit viralen Eingabeaufforderungen testen. Ich werde es also bitten, ein HTML Skript für einen hüpfenden roten Ball in einem Sechseck zu und es muss sicherstellen, dass die Kollisionserkennung ordnungsgemäß funktioniert. Außerdem muss es sicherstellen, dass der Ball innerhalb eines Sechsecks bleibt und sich das Sechseck langsam dreht. Beide haben also sofort mit der Generierung des Codes begonnen, was ein sehr interessantes Verhalten ist. Flashlight benötigte nur 10 Sekunden und generierte insgesamt, während Flash 14 Sekunden benötigte. Außerdem generierte Flash etwa Token, während Flashlight viel mehr Token produzierte. Aber schauen wir uns an, wie die Ergebnisse aussehen. OK, das sind die Ergebnisse für flashlight. Ä Der Ball scheint sich innerhalb des Sechsecks zu befinden und der Zusammenstoß scheint ebenfalls natürlich zu sein. Und dies sind die Ergebnisse von Flash. Nun, in beiden Fällen bleibt der Ball Ä im Sechseck stecken. Ä, obwohl ich denke, dass er fast herausgeht. Nun, eine Sache, die man im Hinterkopf behalten Ich habe diese Eingabeaufforderung mehrmals ausgeführt und die Ergebnisse sind ziemlich inkonsistent. Wenn man dies in einer neuen Sitzung ausführt, zeichnet manchmal der E Flash, insbesondere das Sechseck, aber die Saiten sind Ä nicht sichtbar und man kann sehen, dass es Ä herausgekommen ist und jetzt ein neues Sechseck um sich herum annimmt. Wenn man also diese bestimmte Eingabeaufforderung oder eine Variation davon testet, sollte man sie unbedingt länger ausführen, denn nach 15 oder 20 Sekunden kann man diese Anomalien sehen. Meine letzte Programmieraufforderung wird viel anspruchsvoller sein. Ich Bitte Sie also, JavaScript zu verwenden, um eine beliebige Anzahl von folgenden Buchstaben mit realistischer Physik zu erstellen. Und in Bezug auf die Anforderungen haben wir, dass Buchstaben zufällig oben auf dem Bildschirm in unterschiedlichen Größen erscheinen sollen. Es sollte der Schwerkraft der Erde unterliegen. Es muss über eine Kollisionserkennung verfügen, sowohl mit dem Bildschirm, dem Boden als auch mit anderen Buchstaben. Die Kollisionserkennung sollte auf den tatsächlichen Buchstabenformen basieren. Die Dichteeigenschaften ähneln denen von Wasser. Außerdem sollte es sich an Änderungen der Bildschirmgröße oder Form anpassen. Außerdem muss der Hintergrund schwarz sein. Mal sehen, ob beide basierend auf den Anforderungen Antworten generieren können. Ein Blitzlicht benötigte 16 Sekunden, der Blitz benötigte nur 13 Sekunden. Die Token pro Sekunde betragen jedoch 175 während es bei der Taschenlampe 237 sind. Flash generierte also etwa Token, während flash nur etwa 2300 Token generierte. Meinen kurzen Experimenten zufolge scheinen die Antworten, die man von flashlight erhält, im Vergleich zur Flash Version viel ausführlicher zu sein. Sehen wir uns zunächst die Antwort einer Taschenlampe an und ich sehe wirklich überhaupt nichts herunterfallen. Das ist ziemlich interessant. Hier ist nun die Flash Version. Flash kann das bisher ziemlich genau. Es gab allerdings ein paar Buchstaben, die einfach wieder nach oben geflogen sind. Ja, man sieht, dass der Buchstabe D ziemlich stark abgeprallt ist und zweitens fallen sie einfach übereinander, ohne dass es zu Kollisionen oder Abpralleffekten kommt. Und außerdem verschwinden die Buchstaben einfach. Mal sehen, ob sie sich an die Bildschirmgröße anpassen können. Ja, man sieht, dass jetzt ein paar Buchstaben hier auftauchen und sich auch das Verhalten sehr ähnlich ist. An den Rändern stapeln sich Buchstaben, aber immer wenn ein neuer Buchstabe fällt, verschwinden einige der vorherigen Buchstaben. Das ist also nicht wirklich das, was wir erwarten. Zum Vergleich hier die Ergebnisse eines meiner vorherigen Durchläufe mit dem Gemini Projekt, der der Eingabeaufforderung sehr genau folgt. Insgesamt verhalten sich Flash und flashlight also sehr ähnlich, obwohl ich sie nicht für ernsthafte Programmieraufgaben verwenden würde. Das sind wirklich gute Modelle für kleinere Aufgaben, die nicht viel Argumentation erfordern, zum Beispiel das Generieren strukturierter Ausgaben oder das Ausführen von Unterelementen in einem System mit mehreren Elementen. Ein möglicher Anwendungsfall für beide Modelle wäre also, dass du größere Denkmodelle wie Flash Thinking oder Pro hast, die die Aufgabe in Teilaufgaben aufteilen, die dann von diesen kleineren Flash Modellen ausgeführt werden. Und angesichts des Preises und der sehr ähnlichen Leistung würde ich immer noch denken, dass eine Taschenlampe in bestimmten Fällen eine Option sein könnte. Lass mich auf jeden Fall wissen, was du darüber denkst. Ich werde wahrscheinlich ein weiteres Video erstellen, in dem ich alle diese Modelle vergleiche, einschließlich Flash Thinking Pro. Wenn du also an solchen Inhalten interessiert bist, abonniere unbedingt den Kanal. Danke fürs Zuschauen und wie immer bis zum nächsten Mal.