谷歌Gemini 2.5 Pro上線即“屠榜”！每經記者實測：可輕松模擬火星登陸，快速制作小游戲，但審美能力有待提升

每經記者 岳楚鵬    每經編輯 蘭素英    

圖片來源：谷歌博客

當地時間3月25日，谷歌正式揭開其下一代AI模型系列——Gemini 2.5的神秘面紗，宣稱這是其迄今為止“最智能的AI模型”。

首個發布的版本被命名為Gemini 2.5 Pro Experimental（以下簡稱“Gemini 2.5 Pro”）。谷歌表示，Gemini 2.5 Pro支持100萬個token的上下文窗口，這意味著AI模型能一次性處理相當于兩本《紅樓夢》字數的文本量。 

該模型一經發布，便在各大基準測試上全面“屠榜”，在所有測試中都穩居第一名的位置，包括常見的編程、數學和科學基準測試。

谷歌Deepmind首席技術官Koray Kavukcuoglu在博客中寫道：“現在，通過Gemini 2.5，我們結合了顯著增強的基礎模型和改進后的后續訓練，實現了全新的性能水平。未來，我們將把這種思維能力直接構建到我們所有的模型中，使其能夠處理更復雜的問題，并支持更強大、更具情境感知能力的智能體。”

《每日經濟新聞》記者（以下簡稱“每經記者”）也在第一時間對Gemini 2.5 Pro進行了測試，測試包括數學、火星登陸模擬測試、網頁開發和小游戲制作。

測試結果顯示，該模型在科學類問題和編程方面實力強大，用戶只要會打字，就能進行編程。而且，生成速度極快，質量良好。與每經記者之前測試的多款大模型相比，Gemini 2.5 Pro在測試過程中幾乎沒有出現bug。不過，在網頁設計審美和玩家體驗等方面，該模型還有提升的空間。 

Gemini 2.5 Pro上線即“屠榜”

當地時間3月25日，谷歌宣布推出全新AI模型系列——Gemini 2.5。谷歌首席科學家Jeff Dean表示，Gemini 2.5是該公司最智能的模型，具有令人印象深刻的高級推理和編碼能力。

Gemini 2.5系列屬于“思考模型”，這意味著該模型在生成最終回應之前，能夠進行內部的“思考”或推理過程。谷歌表示，這種能力旨在顯著提升模型的性能表現和答案的準確性，是谷歌在強化學習、思維鏈提示技術領域長期深耕，以及對早期 “思考” 模型（如 Gemini 2.0 Flash Thinking ）持續探索的重要成果。

Gemini 2.5 Pro是這一系列模型的首發產品。谷歌表示，Gemini 2.5 Pro支持100萬個token的上下文窗口，這意味著它一次性能處理相當于兩本《紅樓夢》字數的文本量。并且，谷歌承諾，Gemini 2.5 Pro很快將支持兩倍的上下文窗口（即200萬個token）。

目前，Gemini 2.5 Pro已在Google AI Studio和Gemini應用中推出，向Gemini Advanced用戶開放，并將很快在Vertex AI上推出。

一經發布，Gemini 2.5 Pro便以出色的性能吸引了外界的廣泛關注。谷歌在博客中強調，Gemini 2.5 Pro在一系列行業基準測試中達到了“最先進水平”（state-of-the-art），包括常見的編程、數學和科學基準測試。

在“人類的最后考試”測試中，它獲得了18.8%的最高分數，這是目前為止所有未使用（外接工具）的大模型中最好的成績。?“人類最后的考試”是一個由全球近千名專家共同設計的多模態基準測試，旨在評估大型語言模型的能力極限。?該測試包含3000道涵蓋數學、人文學科和自然科學等多個領域的前沿問題。

“人類的最后考試”測試 圖片來源：谷歌官網

在專注于人類理解的大模型競技場測試中，Gemini 2.5 Pro也以創紀錄的優勢拔得頭籌，創下了歷史最大的分數跨越，比Grok-3和GPT-4.5高出40多分。

圖片來源：大模型競技場

具體來看，在代號為“nebula”的測試中，Gemini 2.5 Pro橫掃所有類別，奪得第一，獨攬數學、創意寫作、指令遵循、長查詢和多輪對話這五大領域的冠軍；

圖片來源：X平臺截圖

在人類偏好測試中，Gemini 2.5 Pro同樣是在所有類別中問鼎榜首，只在困難提示和編碼領域與Grok-3/GPT-4.5拿到并列冠軍。

人類偏好測試 圖片來源：大模型競技場

在網頁開發領域，Gemini 2.5 Pro也是脫穎而出，在WebDev Arena上排名第二，它較上一代Gemini有了巨大的飛躍，超越了Claude 3.5 Sonnet，是第一款能與Claude抗衡的模型，但仍低于Claude 3.7 Sonnet。

WebDev Arena測試 圖片來源：大模型競技場

在Vision Arena（視覺競技場）測試中，作為多模態模型的Gemini 2.5 Pro也處于領先的位置。

Vision Arena測試 圖片來源：大模型競技場

記者實測：編程方面實力強大，但審美及玩家體驗待提升

每經記者第一時間對Gemini 2.5 Pro進行了測試，測試包括數學、火星登陸模擬測試、網頁開發和小游戲制作。

數學問題

每經記者拋出的是一個博士資格考試的群論數學問題：有多少個147階的非同構群？

Gemini 2.5 Pro在數量和具體的非同構群上都給出了完美的解答。值得一提的是，此前記者也用這一問題對其他大模型進行了測試，Grok3、o3-mini和DeepSeek-R1都或多或少出現了錯誤，不是數量沒找對，就是具體的非同構群出錯。 

火星登陸模擬

接下來，每經記者測試的是Gemini 2.5 Pro在數學和物理方面的綜合能力。測試選擇的是馬斯克的經典問題：繪制一個登陸火星并返回的火箭軌道圖。

Gemini 2.5 Pro給出了一個完成度超高的動態圖像，包含任務天數、具體軌道示意圖等要素。并且，它還稱，這只是一個簡單版本，如果允許它接入天體數據庫的話，它還可以制作一個更準確的版本出來。

網頁開發

在前端設計方面，每經記者要求它設計一個有互動性的世界風光介紹網站。

Gemini 2.5 Pro輸出了一個完整的網站，并且帶有景點介紹和互動地圖探索相關功能。但是，在具體細節上，它犯了很多小錯誤，例如，景點介紹的圖片不僅單一，而且還都是不相關的內容。此外，整體網頁設計的色調也不甚美觀。

小游戲制作

最后，每經記者讓Gemini 2.5 Pro制作一個類似于flappy bird的小游戲，標準是卡通畫風，背景要隨游玩時間變換，玩家主角要是一個小飛象，要有有趣的玩法創新。

在短暫的思考后，Gemini 2.5 Pro輸出了完成這個游戲需要的500多行代碼。這一游戲非常完美地契合了每經記者給出的描述，并且對玩法創新的模糊描述也給出了良好的回應，自行思考出了無敵道具玩法，吃下金花生就可以在短時間內無敵。

更重要的是，這一游戲并沒有出現任何bug，只需要復制粘貼就可以流暢運行。

在此前的大模型測試中，第一次的輸出結果或多或少會出現一些bug，影響游戲體驗。不過，還是要指出的一點是，Gemini 2.5 Pro只考慮了背景變化的要求，卻沒注意到其生成的游戲背景圖案中，云朵變化速度過快，太費眼睛。

綜上，每經記者認為，Gemini 2.5 Pro在科學類問題和編程等硬實力上實力滿滿，但在審美和玩家體驗等軟實力上還有一點欠缺。