gemini是哪个公司的产品？Google Gemini实战指南

上周在公司内部的AI分享会上，一个刚转岗过来的后端同事举手问我：“gemini是哪个公司的产品？跟ChatGPT是一家的吗？”当时会议室里居然有三分之一的人露出了不确定的表情。这事让我挺意外的——Gemini 2023年底就发布了，到2025年已经迭代到2.5版本，但“它到底是谁家的”这个问题，在非算法岗的开发者里依然存在模糊地带。

所以我把这篇写出来，一次性把这个问题讲清楚，顺便聊聊我自己在实际项目里怎么用它、踩过哪些坑。

核心结论：Gemini 是 Google（谷歌）旗下的多模态大模型产品，由 Google DeepMind 团队研发，2023 年 12 月 6 日正式发布，前身是 Google Bard。它不是 OpenAI 的产品，也不是微软的，更不是国内任何一家公司的。

答案就这么简单。但如果只回答这一句，这篇文章就没必要写了——真正值得聊的，是Google内部的组织调整怎么催生了Gemini，以及它和GPT系列在技术路线上的差异。

Gemini 的出身：Google Brain 和 DeepMind 合并之后

要理解 Gemini 为什么长这样，得先看 Google AI 部门的组织变动。

2023 年 4 月，Google 宣布把旗下两个重量级研究团队——Google Brain 和 DeepMind——合并，组建 Google DeepMind。这件事当时在中文技术圈的讨论热度并不高，但它直接决定了后来 Gemini 的技术路线。

合并前的格局大致是：

• **Google Brain**：挂在 Google Research 下面，主攻 Transformer 架构、TensorFlow、BERT，偏工程和产品化
• **DeepMind**：2014 年被 Google 收购，但一直相对独立运营，代表作是 AlphaGo、AlphaFold、MuZero，偏基础研究和强化学习

两者合并后，DeepMind 联合创始人 Demis Hassabis 出任 Google DeepMind CEO。Gemini 就是新部门交出的第一份大卷——从立项到发布只用了大约 8 个月。

坦白讲，我当时对这个合并是比较悲观的。两个文化差异巨大的团队（一个发论文为主，一个做产品为主）硬捏在一起，内耗几乎是必然。但从 Gemini 1.5 到 2.5 的迭代节奏看，我低估了他们的执行力。根据 Google 官方博客 2024 年 2 月发布的 Gemini 1.5 技术公告，他们把上下文窗口直接拉到了 100 万 tokens，这个跨度在当时是相当激进的。

从 Ultra 到 2.5：Gemini 各版本怎么选

搞清楚了归属问题，下一个实际障碍是选版本。Google 的命名规则确实有点乱，我把主要版本整理成了一张表，方便对照。

| 模型版本 | 发布时间 | 上下文窗口 | 典型场景 | 个人评价 | |---------|---------|-----------|---------|---------| | Gemini Ultra 1.0 | 2023年12月 | 32K | 复杂推理、MMLU 基准 | 发布即巅峰，但普通用户几乎用不上 | | Gemini Pro 1.0 | 2023年12月 | 32K | 通用对话 | Bard 早期底层就是它 | | Gemini Nano | 2023年12月 | — | 端侧运行（Pixel 8 Pro） | 存在感偏弱 | | Gemini 1.5 Pro | 2024年2月 | 100万 tokens | 长文档、代码库分析 | 这个版本让我真正改观 | | Gemini 1.5 Flash | 2024年5月 | 100万 tokens | 高并发、低延迟 | 性价比之选 | | Gemini 2.0 Flash | 2024年12月 | 100万 tokens | Agent、多模态输出 | 开始玩原生工具调用 | | Gemini 2.5 Pro | 2025年3月 | 100万+ tokens | 推理密集型任务 | 目前最能打的一版 |

Gemini 1.5 Pro 那个 100 万 token 的上下文窗口，是我在实际工作中感受最直接的一次升级。去年我做一个遗留系统重构项目，需要把一份 400 多页的旧版 API 文档全部喂给模型，让它梳理出被废弃的接口。之前用其他模型得分块处理再拼接，逻辑经常对不上；换成 Gemini 1.5 Pro 之后一次丢进去就出结果了。

不过话说回来，长上下文不等于长记忆。我在测试中发现，当输入超过 50 万 token 后，模型对中段内容的召回率会明显下降——这个现象在多份第三方评测报告里也被提到过。所以别把它当成万能钥匙，关键信息还是放在开头或结尾更稳妥。

在项目里怎么调用 Gemini：一个最小可运行示例

如果你已经知道 gemini是哪个公司的产品，接下来大概率想知道怎么用。目前有三条主要路径：

1. **网页端**：直接访问 gemini.google.com，用 Google 账号登录即可
2. **Google AI Studio**：面向开发者的实验平台，可以调参数、导出代码
3. **Gemini API**：通过 SDK 集成到自己的应用里

我个人用得最多的是第三条。下面这段代码是我在项目里验证过的，能直接跑：

先安装：pip install google-generativeai

import google.generativeai as genai

API Key 从 Google AI Studio 免费申请

genai.configure(api_key="你的_GOOGLE_AI_STUDIO_KEY")

选用 Flash 版本，响应快、成本低，适合高频调用

model = genai.GenerativeModel("gemini-2.0-flash")

response = model.generate_content( "用 Python 写一个带过期时间的本地缓存装饰器，要求线程安全，" "并加上中文注释说明每一行的作用。" )

直接打印模型返回的文本

print(response.text)

这段代码大概 10 行，第一次跑通的时候我是有点惊讶的——生成结果里连 `threading.Lock()` 的位置都放对了，还主动加了 `functools.wraps`。当然，它也会偶尔写错，比如把 `time.monotonic()` 和 `time.time()` 混用过一次，导致我在测试环境排查了半小时。

关于速率限制，免费档位在 2025 年初的规则大致是：Flash 每分钟 15 次请求，Pro 每分钟 2 次。如果要上生产，得走 Vertex AI 的付费通道，价格按 token 计费，Flash 比 Pro 便宜大约一个数量级。

关于「gemini是哪个公司的产品」的几个常见误解

我在各种技术群里见过的混淆，主要集中在下面这几条：

误解一：Gemini 是 OpenAI 的 这是最高频的一个。原因可能是两家产品在功能上高度重叠，加上媒体经常把它们放在一起比较。实际上 OpenAI 的对应产品是 GPT-4o、o1 系列，和 Google 是完全竞争关系。

误解二：Gemini 就是 Bard 换了个名字 不完全对。Bard 是产品名，Gemini 既是模型名也是产品名。2024 年 2 月 Google 把 Bard 正式更名为 Gemini，但底层模型从 PaLM 2 换到 Gemini 系列，是两次独立的事件。

误解三：Gemini 只在 Google 自家产品里能用 不是。通过 Gemini API 和 Vertex AI，第三方开发者可以自由集成。Android Studio、Firebase、Google Workspace 都已经内置了 Gemini 能力，但这只是它的一部分入口。

误解四：它是开源的 目前 Gemini 的主要版本都是闭源商用模型，和 Llama 系列的开源路线不一样。Google 开源的是 Gemma 系列，那是另一条产品线——名字像，但定位完全不同，很多人在这里搞混。

上手学习路径：从零到能落地

如果你准备认真用起来，我建议按这个顺序走：

1. **第一周**：用网页版 Gemini 熟悉基本交互，重点体验多模态输入（传图、传 PDF 让它分析）
2. **第二周**：注册 Google AI Studio，把常用的 prompt 跑一遍，观察 temperature、top-p 参数对输出的影响
3. **第三周**：把 API 接到自己的一个小脚本里（比如自动整理会议纪要），跑通端到端流程
4. **第四周**：对比 Gemini 和 GPT-4o 在你自己业务场景下的表现，用数据说话，别只看排行榜

按照 Google 2025 年 3 月 Gemini 2.5 发布公告里的说法，后续版本会进一步加强 Agent 能力和多模态输出。我的判断是，Google 正在把 Gemini 往“系统级助手”方向推，而不只是一个聊天窗口。对开发者来说，早点熟悉它的工具调用接口，比纠结哪个模型跑分高要有价值得多。

关键要点速览

• Gemini 是 Google 旗下产品，由 Google DeepMind 研发，2023 年 12 月发布，前身是 Bard
• Google Brain 与 DeepMind 于 2023 年 4 月合并，是 Gemini 诞生的组织前提
• 当前主力版本是 Gemini 2.5 Pro 和 2.0 Flash，前者重推理，后者重性价比
• 上下文窗口最大可达 100 万 tokens，但中段内容召回率会衰减
• 接入方式有三种：网页端、AI Studio、Gemini API，生产环境建议走 Vertex AI

相关推荐

继续深入阅读

• 想横向对比各家大模型的能力边界，可以翻阅我们的大模型专题栏目，里面持续更新 GPT、Claude、Gemini 的实测数据。

找工具、查导航

• 需要一站式查找 AI 开发工具和模型入口，欢迎访问 [VergeX AI 工具导航](https://nav.vergex.cn)，上面按类别整理了主流大模型的官方入口和定价信息。

订阅更新

• 如果这篇文章对你有帮助，可以订阅 VergeX 的更新推送，新模型发布、API 价格变动这类信息我们会第一时间整理出来。