A Google DeepMind kutatásai szerint a Gemini Ultra modell a vizuális benchmarkok 90%-ában felülmúlja az emberi átlagot, ami alapjaiban írja felül a gépi látásról alkotott eddigi elképzeléseinket. Ez a technológiai ugrás nem csupán a pixelek felismerését jelenti, hanem a kontextuális összefüggések olyan mély szintű értelmezését, amely korábban elképzelhetetlen volt.