Gemini 2.5
技术全解析

Gemini 2.5 Pro 在多个权威基准测试中刷新纪录：

• GPQA Diamond（研究生级科学推理）— 达到 84.0%，超越所有公开模型
• AIME 2025（数学竞赛）— 达到 86.7%，接近人类竞赛选手水平
• SWE-bench Verified（真实代码修复）— 达到 63.8%，领先所有模型
• MMLU-Pro（综合知识推理）— 达到 81.6%
• LiveCodeBench（实时编程竞赛）— 稳居第一梯队

这些数据的意义不在于具体百分比，而在于一个趋势：思考型模型在几乎所有需要深度推理的任务上都大幅超越了传统模型。

从 Gemini 2.0 到 2.5 的升级不是简单的性能提升，而是架构范式的转变：

• 推理模式 — 2.0 是直觉式生成，2.5 引入扩展思考（Extended Thinking），模型可以在回答前"思考"多步
• 上下文窗口 — 维持 100 万 token，但检索精度和长文本理解能力显著提升
• 编码能力 — 从"代码补全"进化到"Agentic Coding"，能理解整个代码库并自主修复 bug
• 工具使用 — 更强的 function calling 能力，支持更复杂的多步工具调用链

Gemini 2.5 在 Google 的 AI 战略中扮演关键角色：

• AI Studio — 开发者快速原型验证的入口
• Vertex AI — 企业级部署和管理平台
• Google Workspace — Gemini 深度集成到文档、邮件、表格等日常工具
• Android / Chrome — 端侧 AI 能力（Flash 模型）
• Search — AI Overview 改造搜索体验

核心逻辑：用最强模型占领开发者心智，用 Flash 模型压低成本实现大规模部署，用生态整合形成闭环。

Google 的实验显示了思考预算与性能之间的有趣关系：

• 低预算（1K tokens） — 性能接近传统非思考模型，适合简单事实性问答
• 中预算（8K tokens） — 大多数推理任务的甜蜜点，性价比最优
• 高预算（32K+ tokens） — 在最难的数学和科学问题上有显著提升，但边际收益递减

实践建议：大多数应用场景下，8K 思考预算已经足够。只有在处理竞赛级数学题或复杂科研问题时才需要更高预算。

OpenAI 的 o1/o3 系列是 Gemini 2.5 Pro 在推理领域的主要竞争对手。两者的核心差异：

• 思考过程可见性 — Gemini 2.5 Pro 可以暴露思考 token；o1 最初完全隐藏思考过程，后来逐步开放
• 多模态推理 — Gemini 2.5 Pro 可以在图片、视频、音频上做推理；o1 主要是文本推理
• 思考预算控制 — Gemini 2.5 提供精细的预算控制；o1 的控制粒度较粗
• 科学推理 — 两者在 GPQA 上都表现极强，Gemini 2.5 Pro 略微领先
• 数学竞赛 — AIME 2025 上 Gemini 2.5 Pro 大幅领先 o1，与 o3 接近

总体来看：Gemini 2.5 Pro 的优势在于多模态+推理的结合，而非纯文本推理上的绝对碾压。

AIME（American Invitational Mathematics Examination）是美国数学竞赛的重要环节，题目需要多步推理、创造性思考和精确计算。

Gemini 2.5 Pro 在 AIME 2025 上的 86.7% 意味着：

• 模型能解决大多数需要 5-10 步推理的竞赛题
• 在组合数学、数论、几何等领域都有强劲表现
• 仍然在某些需要极其巧妙构造的题目上会失败

MATH-500 上 97.2% 的准确率则说明，对于大学级数学问题，Gemini 2.5 Pro 已经接近完美。剩余的 2.8% 错误主要来自极端复杂的多步推理或容易产生歧义的题目表述。

SWE-bench Verified 是目前评估 AI 代码能力最接近真实世界的基准：

• 每个测试用例都是一个真实的 GitHub issue，来自 Django、Flask、scikit-learn 等知名开源项目
• 模型需要理解 issue 描述、定位相关代码文件、编写修复 patch
• 修复必须通过项目的现有测试套件验证

Gemini 2.5 Pro 的 63.8% 意味着它能独立修复近三分之二的真实 Bug。相比 GPT-4o 的 33.2%，几乎翻倍。

这个差距主要来自两个优势：

1. 长上下文 — 能一次性读入更多代码文件，理解更完整的上下文
2. 扩展思考 — 在定位 bug 和规划修复时，多步推理产生更精确的方案

Gemini 2.5 Pro 的工具使用能力是其 Agentic 能力的基础：

• 结构化输出 — 能精确生成 JSON Schema 格式的函数调用参数
• 多步工具链 — 自动规划"先调用A获取数据，再调用B处理，最后调用C保存"的多步流程
• 错误恢复 — 工具调用失败时能自动分析原因并重试或选择替代方案
• 并行调用 — 识别可以并行执行的工具调用，提高效率

在 BFCL（Berkeley Function Calling Leaderboard）上，Gemini 2.5 Pro 排名前列。

Gemini 2.5 Pro 在主流编程语言上的代码生成质量均处于顶级水平：

Gemini 2.5 Pro 能够作为 Agent 直接操作计算机界面：

• 网页浏览 — 理解网页结构，点击按钮、填写表单、导航链接
• 桌面操作 — 识别 UI 元素，执行鼠标和键盘操作
• 截图理解 — 从截图中理解当前状态，决定下一步操作

在 WebArena（网页操作基准）和 OSWorld（桌面操作基准）上，Gemini 2.5 Pro 均展现了强劲的表现。这意味着它不仅能"说"，还能真正"做"——浏览网页、操作软件、完成多步任务。

真正的 Agent 价值体现在多步任务上。Gemini 2.5 Pro 在以下多步任务类型上展现了强大能力：

1. 研究型任务 — 搜索信息 → 筛选 → 交叉验证 → 综合报告
2. 编程型任务 — 理解需求 → 搜索代码库 → 编写代码 → 运行测试 → 修复 Bug
3. 数据分析任务 — 加载数据 → 清洗 → 分析 → 可视化 → 生成洞见
4. 工作流自动化 — 读取邮件 → 提取信息 → 填入系统 → 发送确认

成功关键：扩展思考让模型在每一步之前都能"想清楚"，减少了多步执行中的错误累积。传统模型在 5 步任务中每步 90% 准确率意味着整体只有 59%；思考型模型将每步准确率提升到 95%+ 后，整体准确率可以达到 77%+。

Gemini 2.5 Pro 的 Agent 能力与 Google 生态深度整合：

• Google Search — 实时搜索+Grounding，确保信息准确和时效性
• Google Workspace — 操作 Gmail、Docs、Sheets、Calendar
• Google Cloud — 调用 BigQuery、Cloud Storage、Vertex AI 等服务
• Google Maps — 地理位置相关的任务执行
• Android — 在移动设备上执行操作

这种深度整合是 Google 相比竞争对手的独特优势：Agent 不是在一个沙盒里模拟操作，而是真正能触达用户的日常工具链。

Google 对 Gemini 2.5 的安全测试包括多个层面：

• Prompt 注入攻击 — 测试模型是否会被恶意 prompt 劫持，执行非预期操作
• 越狱测试 — 尝试绕过安全限制，让模型生成有害内容
• 信息提取 — 测试是否能从模型中提取训练数据或系统 prompt
• 偏见检测 — 评估模型在种族、性别、宗教等维度上的公平性
• 能力滥用 — 评估模型在生物、化学、网络安全等领域的潜在风险

值得注意的是，思考型模型带来了新的安全挑战：思考过程中的中间推理步骤可能包含模型"绕过"安全限制的痕迹。Google 对此的应对是同时审查最终输出和思考过程。

看 Benchmark 对比表时需要注意几个关键点：

• 思考模型 vs 非思考模型 — Gemini 2.5 Pro 是思考模型（类似 o1/o3），而 GPT-4o 和 Claude 3.5 Sonnet 是非思考模型。在推理密集型任务上，思考模型天然占优。公平对比应该是 Gemini 2.5 Pro vs o1/o3 vs Claude 3.5 Opus
• 成本效率 — 思考模型消耗的 token 更多（思考 token 计费），同样的任务成本可能是非思考模型的 3-10 倍
• 延迟差异 — 思考模型响应时间更长，不适合所有场景
• 版本更新 — 各家模型更新频率不同，对比数据可能基于不同时期的版本

正确的看法：不要执着于某个 Benchmark 的百分比差异，而是看趋势和适用场景。选模型的关键是你的具体需求，不是排行榜。

Gemini 2.5 的发布对 AI 竞争格局有几层意义：

1. 思考模型成为标配 — 继 OpenAI o1 之后，Google 也推出了思考模型，这将成为下一代 AI 模型的标准能力
2. 多模态是差异化关键 — 在纯文本推理上各家差距在缩小，多模态成为真正的差异化战场
3. 长上下文重塑应用架构 — 100 万 token 窗口让很多传统需要 RAG 的场景可以简化为直接装入上下文
4. Agent 竞争白热化 — Google 的 Agent 生态（Vertex AI + Google 工具链）vs OpenAI 的 GPTs vs Anthropic 的 MCP，是 2025 年最重要的竞争维度
5. 开源追赶加速 — Gemma（Google 开源模型）和 Llama 正在快速缩小与闭源旗舰的差距

对开发者的启示：不要赌一家。理解每个模型的优势，建立模型无关的架构，根据任务特性选择最合适的模型。

如果说 Gemini 2.5 Pro 是"不计成本追求最强"，那么 Gemini 2.5 Flash 就是"在成本约束下追求最优"。

• 可调思考预算 — 开发者可以精确控制思考 token 上限，甚至关闭思考
• 成本降低 80%+ — 相比 Pro，Flash 的单 token 价格大幅降低
• 延迟更低 — 适合需要快速响应的交互式应用
• 仍然很强 — 在大多数任务上，Flash with thinking 超过上一代 Pro 的水平

选型建议：

• 日常对话、简单问答、内容生成 → Flash（关闭思考）
• 需要一定推理的任务 → Flash（中等思考预算）
• 复杂推理、编程、科研 → Pro（完整思考）