谷歌終於登頂一次了！最強推理模型Gemini2.5Pro實測體驗，真的有點東西

機器之心報道

作者：佳琳、佳琪

谷歌有史以來最智慧的 AI 模型。

深夜悄悄搞事情的不只 OpenAI，搶在 OpenAI 開直播之前，谷歌上線了最強大的推理模型 Gemini 2.5 Pro。

谷歌 CEO「劈柴哥」甚至用：「這是谷歌有史以來最智慧的 AI 模型。」為它站臺。

不過，從 Gemini 2.5 Pro 的成績單來看，它可能確實擔得起「有史以來最強」的名號。

首先來看推理能力，在被視為人類給 AI 的終極考驗的 Humanity's Last Exam 基準測試中，不額外呼叫工具的 Gemini 2.5 Pro 取得了 18.8% 的準確率，超過了能秒解圖論難題的 OpenAI o3-mini（high）。

和推理能力強相關的科學和數學能力，在 GPQA、AIME 2025 等主流基礎測試中，Gemini 2.5 Pro 也是遙遙領先，具體成績如下：

在程式設計能力方面，Gemini 2.5 Pro 相比 2.0 實現了質的飛躍，未來還將不斷增強。

其中，SWE-bench 衡量的是編碼能力，Aider Polyglot 衡量的是模型的程式碼編輯水平。除了在 Agentic coding 方面遜色於 Claude 3.7 Sonnet，Gemini 2.5 Pro 均斬獲第一：

谷歌稱 Gemini 2.5 Pro 比較擅長在建立視覺效果精美的網頁應用和操作智慧體。在官方放出的 demo 中，只需一行提示詞，Gemini 2.5 Pro 就開動腦筋，逐步推理出了這個類似「flappy bird」的小遊戲的全部程式碼，並且直接可玩：

再來是對話能力，在大模型競技場 Chatbot Arena 的榜單上，Gemini 2.5 Pro 以絕對優勢強勢登頂，創下了前所未有的最大分數飛躍，比 Grok – 3 和 GPT – 4.5 高接近 40 分：

從第二名以下的成績，不難發現，Chatbot Arena 的前幾名分差往往很小，幾乎不超過 10 分。Grok-3 上個月剛登頂，第一的位置還沒坐幾個月，就被 Gemini 2.5 Pro 甩開了。

除了對話能力，Gemini 2.5 Pro 在 Chatbot Arena 的複雜指令、程式設計、數學、創意寫作、指令跟隨的榜單上也是全面領先，堪稱「六邊形戰士」。

和其他家推理模型不同的是，Gemini 2.5 延續了 Gemini 系列模型的核心優勢 —— 原生多模態能力和長上下文視窗。Gemini 2.5 Pro 版本擁有 100 萬 token 的上下文視窗（沒有縮減，即將提升至 200 萬 token），支援文字、音訊、影像、影片及完整程式碼庫輸入。

支援把影像轉化為可以 3D 列印的格式。

從 Vision Arena 榜單來看，Gemini 2.5 Pro 不止支援原生多模態，能力更是一騎絕塵。

防盜水印一秒蒸發、證件照 10 秒摳圖，以下是第四名 Gemini-2.0-flash-thinking 「一句話 P 圖」的效果。如今，在新的第一名面前，更是被遠遠超越。

作為一個會「思考」的模型，Gemini 2.5 Pro 專為複雜任務設計，更夠能智慧地分析資訊、理解問題的背景和情境以及做出明智的決策。

不過，谷歌並未公開技術報告，我們只能從谷歌放出的部落格中得知，他們的技術突破在於強化學習、思維鏈提示和後訓練。

現在登入 Google AI Studio，普通使用者和企業就能體驗到 Gemini 2.5 Pro。如果是高貴的 Gemini Advanced 使用者，在桌面和移動裝置下來選單，就能直接使用了。未來幾周內，Gemini 2.5 Pro 也將登陸 Vertex AI 平臺。

其實前幾天，Chatbot Arena 上就有一個代號「Nebula」的神秘模型在 LMSYS Arena 屠榜，擊敗了包括 o1、o3-mini 和 Claude 3.7 Thinking 在內的眾多對手。

不知道是不是谷歌偷師了 OpenAI 的營銷技巧，正式公佈 Gemini 2.5 Pro 之前，劈柴哥也神秘兮兮地發了一條推特：

不過現在再模仿「strawberry」可能有點晚了，遇到大佬無緣無故開始在社交平臺上發「詩和遠方」，都可以召喚 Grok 來甄別。

一手實測

看完了成績單，Gemini 2.5 Pro 的實際水平是否也如此出色呢？

實測見真章，機器之心先對它的推理、數學、科學和程式設計四個方面展開了一番測評。

推理

根據之前測試推理模型的經驗，我們總結了幾道很難答對的邏輯題來考驗 Gemini 2.5 Pro。

提示詞：兩個人同時來到了河邊，都想過河，但只有一條小船，而且小船隻能載一個人。請問：他們能否都過河？

僅用了 11 秒，Gemini 2.5 Pro 成功識破了邏輯陷阱：「兩個人同時來到了河邊」不一定都在同岸，如果是對岸就成立了。

提示詞：校長室的玻璃被人用足球砸壞了，有四個人被校長懷疑，四人依次陳述自己理由，其中有一個人說法很可疑，他就是肇事者。

甲：我沒有砸玻璃。

乙：甲說的是對的。

丙：丁在說謊。

丁：我沒有玩足球。

請問肇事者是誰？

這回 Gemini 2.5 Pro 的思考時間長了一點，但是由於它忽略了在現實中丙的發言順序在丁之前，所以丙說的一定為假，因此正確答案是丙，Gemini 2.5 Pro 答錯了。

其他推理模型很難搞定的圖推題，Gemini 2.5 Pro 也能一次答對。

數學

要檢驗推理模型的有多聰明，數學題是最好的「智商測試」，我們先來一道今年的考研數學真題：

過程和結果，Gemini 2.5 Pro 都輕鬆拿下。

再上點強度，來一道 IMO 2024 年的真題：

一陣強勁的思考過後，Gemini 2.5 Pro 給出的答案也是正確的。

拼多多砍一刀背後蘊含的「極限」思想，也沒難倒它。

科學

來一道 2023 年理綜物理真題 ——

Gemini 2.5 Pro 稍加思考，輕鬆回答出正確答案。

Gemini 2.0 Flash 則遺憾離場。

程式設計

我們先讓 Gemini 2.5 Pro 生成一個貪吃蛇遊戲。

「建立一個經典的貪吃蛇小遊戲，遊戲介面為 400 × 400 畫素的畫布。蛇由若干個 10 × 10 畫素的方塊組成，初始長度為 3 個方塊，初始位置在畫布中心。蛇可以向上、向下、向左、向右移動，使用鍵盤的方向鍵控制蛇的移動方向。遊戲中隨機生成一個 10 × 10 畫素的紅色食物，當蛇吃到食物時，長度增加 1 個方塊，分數增加 10 分，並重新生成食物。如果蛇撞到畫布邊界或自身，則遊戲結束，彈出一個對話方塊顯示最終得分，並提供重新開始的選項。遊戲開始時，蛇以中等速度移動，隨著時間的推移逐漸加快速度，增加遊戲的挑戰性。」

Gemini 2.5 Pro 表示毫無壓力，還貼心附上操作指南。