Gemini lõpetas Pokémon Blue’i, kuid pikas kontekstis hakkas kordama vanu käike
Google’i Gemini meeskonna 2025. aasta tehniline aruanne kirjeldab, kuidas tehisintellekti mudel Gemini 2.5 Pro mängis läbi klassikalise mängu Pokémon Blue. Agent jõudis liiga meistriks, ent kui tema kontekstiaken kasvas tublisti üle 100 000 tokeni, hakkas ta uute plaanide koostamise asemel kordama oma varasemaid käike.
Kontekstiaken on see osa vestlusest ja andmetest, mida mudel ühe sammu juures korraga arvestab. Token on selle akna mõõtühik, umbes üks sõna või sõnaosa. Gemini 2.5 Pro suudab teoreetiliselt mahutada üle miljoni tokeni ja aruanne ütleb, et umbes 100 000 tokeni peale mõtlemine oli agendi edu üks alustalasid. Samas rõhutavad autorid, et pikk kontekst aitab hästi fakte üles leida, kuid mitmeastmelises mõtlemises ja tegutsemises võib liiga pikk ajalugu agenti hoopis takistada. Tegu on aruande sõnul ühe tähelepanekuga, mitte süstemaatilise mõõtmisega.
Katset ei viinud läbi Google ise. Sõltumatu arendaja Joel Zhang ehitas mudelile agendi tugisüsteemi ja lasi Gemini 2.5 Prol mängu Twitchis otseülekandes mängida. Esimene, arenduse käigus täiendatud läbimäng kestis 813 tundi ja lõppes 2. mail 2025 Pokémoni liiga meistritiitliga. Teine läbimäng, juba valmis tugisüsteemiga ja ilma käsitsi sekkumiseta, kestis 406,5 tundi.
Sama suunda kinnitab ka teiste mudelite uurimine. Andmebaasifirma Chroma 2025. aasta juulis avaldatud töös “Context Rot” langes 18 keelemudeli, sealhulgas Gemini 2.5, täpsus seda kindlamalt, mida pikemaks sisend muutus, isegi kui ülesanne ise jäi sama lihtsaks.
Praktiline järeldus on lihtne. Tehisintellekti agendile ei tasu kogu ajalugu ja kõiki dokumente ette kuhjata. Kontekst tuleb hoida lühike ja valitud: jätta järele vaid see, mida järgmine samm päriselt vajab, ja vanem käikude jada kokku võtta lühikeseks märkmeks. Suurem aken üksi ei tee agenti targemaks.
Allikas: Gemini 2.5: Pushing the Frontier with Advanced Reasoning, Multimodality, Long Context, and Next Generation Agentic Capabilities
Loe täispikka artiklit: Gemini v2 5 Report.pdf