A Chrome beépített mesterséges intelligenciája: Gemini Nano felszabadítja az eszközön futó intelligenciát
A Google Chrome közvetlenül beépítette a Gemini Nano-t – egy könnyű nyelvi modellt –, a Prompt API-n keresztül. Ez a cikk bemutatja technikai architektúráját, fejlesztői API-jait, korlátait és jövőbeni lehetőségeit.
Mi az a Gemini a Chrome-ban?
A Google I/O 2025 eseményen a Google leleplezte a Gemini MI integrációját a Chrome asztali verzióiba (Beta, Dev, Canary), amely AI Pro / Ultra előfizetők számára elérhető angol nyelven Windows és macOS rendszereken (részletek a Verge beszámolójában a Google I/O 2025-ről). A felhasználók egy új ikonnal lépnek interakcióba a böngésző eszköztárában, amely egy chatbot felületet indít el, amely „látja” az adott oldal tartalmát – ideális összefoglaláshoz, tisztázáshoz, összehasonlításhoz vagy közvetlen adatkinyeréshez az oldalról (részletekért lásd a Verge cikket a Google I/O-ról) és (egy másik Verge cikk szerint az ügynöki funkciókról](https://www.theverge.com/google/673659/gemini-google-chrome-integration-agentic-era?utm_source=chatgpt.com)).
Jelenleg a Gemini csak egyetlen fület kezel egyszerre, de a több fül egyidejű lekérdezésének támogatása várhatóan 2025-ben érkezik (részletek a Verge beszámolójában). Emellett kínál élő hangalapú interakciókat, amelyek hasznosak lehetnek például YouTube-videókon eszközök vagy receptek azonosításához (a ügynöki funkciókról szóló Verge cikk alapján).
Technológiai háttér és Prompt API
Gemini Nano: a helyi nyelvi modell
A Chrome automatikusan letölti a Gemini Nanót az első használatkor; ez a kis méretű modell teljes egészében a böngészőben fut WebAssembly/WebGPU segítségével, felhőhívás nélkül, ahogy azt egy web.dev technikai útmutatóban is magyarázzák.
Kifejezetten összefoglaláshoz, osztályozáshoz, újraíráshoz optimalizált, nem nagy léptékű érvelésre vagy pontos ténykérdésekre, az elemzések szerint a Thinktecture Labs részéről.
A Gemini Nano meg van osztva az origin-ek között, így egyszeri telepítés után minden MI-t támogató weboldal és kiterjesztés képes használni az adott gépen, amint az a web.dev dokumentációban részletezve van.
Prompt API (window.ai.languageModel)
Az kísérleti Prompt API lehetővé teszi a fejlesztők számára, hogy JavaScript-en keresztül hívják meg a Gemini Nanót, ahogy azt a Thinktecture Labs is ismerteti.
Főbb metódusok:
const session = await self.ai.languageModel.create({ systemPrompt });
const result = await session.prompt("Ide írd a kérésed"); // nem folyamatos válasz
const stream = session.promptStreaming("Hosszú kérés…"); // folyamatos válasz
A fejlesztők testre szabhatják a temperature és topK paramétereket a kreatív kimenethez.
Elérhető az Early Preview Program (EPP) résztvevői számára, valamint Chrome-bővítményeknél origin trial keretében.
⸻
Követelmények és beállítás
- Platformok: Windows 10/11, macOS 13 (Ventura)+, Linux; nem támogatott Android, iOS vagy ChromeOS platformokon.
- Hardver: legalább 22 GB szabad lemezterület, valamint minimum 4 GB VRAM-mal rendelkező GPU szükséges a modell letöltéséhez és futtatásához.
Beállítási lépések:
- Telepítsünk Chrome Canary vagy Beta verziót (127-es vagy újabb).
- Engedélyezzük a flag-eket: #prompt-api-for-gemini-nano és #optimization-guide-on-device-model (átugrási opcióval).
- Nyissuk meg a chrome://components oldalt és frissítsük az On-Device Model komponenst.
- A fejlesztői konzolon teszteljük a window.ai hozzáférést.
⸻
Fejlesztői felhasználási esetek és teljesítmény
- Összefoglaló, Fordító, Író, Újraíró API-k elérhetők a beépített MI rétegen keresztül.
- Felhasználási esetek például egyedi Chrome-bővítmények – mint például naptárbejegyzések automatikus kitöltése, nem kívánt tartalom homályosítása vagy kapcsolatok kinyerése – szerver körüli válaszidő nélkül.
- Offline elsődleges működés, adatvédelmi szempontból kedvező, origin-ek között megosztható: további költség nincs, és nincs hálózati függőség.
A teljesítményt befolyásolja a hardver; nagyobb dokumentumok meghaladhatják a Gemini Nano kontextusablak méretét. Az olyan eszközök, mint a Chunked Augmented Generation (CAG), intelligens prompt-felbontással oldják meg ezeket a korlátokat.
⸻
Korlátok és adatvédelem
- A Gemini Nano nincs optimalizálva a tényalapú pontosságra, ezért a metaadatok és pontos tudás megbízhatatlan lehet.
- A jelenlegi felület csak egyetlen fül kontextusát támogatja (a többfüles támogatás később várható).
- A miniablak UI-n hosszú válaszok levágódhatnak; a felhasználói élmény esetleg akadozónak tűnhet, ha a válaszok nem tömörek.
Az adatvédelmi ígéret az eszközön történő végrehajtásra épül, de továbbra is bizalmat igényel a Chrome tárolási és végrehajtási környezetének kezelésében.
⸻
Összehasonlító táblázat
| Tulajdonság | Állapot | Megjegyzések |
|---|---|---|
| Gemini Nano modell | Helyi nyelvi modell Chrome-ban | Első használatkor letöltődik Prompt API-n keresztül |
| Prompt API (window.ai) | Kísérleti (Chrome 127/128+) | Támogatja a szakaszos és nem szakaszos promptokat |
| Összefoglaló / Író / Újraíró API-k | Elérhető dokumentációban / Early Preview | Használható weben vagy bővítményekben |
| Hardver követelmények | ≥22 GB lemez, 4 GB VRAM szükséges | Korlátozza az eszközök kompatibilitását |
| Tényalapúság & nagy kontextus | Korlátozott | CAG eszközök állnak rendelkezésre a bővítéshez |
| Többfüles lekérdezés | Tervezett | Egyfüles támogatás jelenleg |
Végső gondolatok
A Chrome beépített Gemini Nano MI-je jelentős technikai mérföldkő – GPT-stílusú funkciókat biztosít közvetlenül a böngészőben, adatvédelemmel, offline működéssel és széles körű bővíthetőséggel. Még korai stádiumban van, de a fejlesztők már kísérletezhetnek a Prompt API használatával, hogy innovatív megoldásokat hozzanak létre minimális késleltetéssel és folyamatos költségek nélkül.
A jövőben várható fejlesztések közé tartozik a többfüles támogatás, ügynöki műveletek és mélyebb webes interakciós képességek, ahogy a Mariner és Agent Mode projektek érettebbé válnak.
Fejlesztőknek érdemes a Prompt API-val kezdeni, csatlakozni az Early Preview Programhoz, és az eszközön futó képességeket felhőbeli tartalék megoldásokkal kombinálni a stabil hibrid alkalmazások érdekében.