智東西
作者 王涵
編輯 漠影

智東西6月6日消息，谷歌今日突襲推出Gemini 2.5 pro的重磅更新版本Gemini 2.5 Pro Preview 06-05 Thinking，該版本在推理能力、科學以及編程能力測試中超越OpenAI o3、DeepSeek R1和Claude Opus 4，其中編程能力更是領跑Aider Polyglot等高難度編程基準測試。

價格方面，06-05版本沿用了先前版本的價格策略，即每百萬token輸入（無緩存）1.25美元（約合人民幣9元），輸出10美元（約合人民幣72元）。

谷歌CEO桑達爾·皮查伊（Sundar Pichai）在海外社交媒體X上親自官宣：“我們最新的Gemini 2.5 Pro更新現已發布預覽版……我們聽取了您的反饋，并對回答的風格和結構進行了改進。您可以在Al Studio、Vertex Al平臺和Gemini app中進行試用。正式版即將推出！”

一、性能全面屠榜，Gemini以1443分登頂WebDevArena榜單

在5月年度I/O開發者大會上，谷歌宣布已對Gemini 2.5 Pro進行靜默升級。谷歌DeepMind首席執行官戴米斯·哈薩比斯（Demis Hassabis）當時評價I/O版本是公司迄今最佳編程模型。

而此次名為“Gemini 2.5 Pro Preview 06-05 Thinking”的新預覽版在05-06版本之上進行的更新，測試表現更優，谷歌在博客中評價該版本為“我們迄今為止最有智慧的模型”。谷歌還透露說，新版本“具備企業級應用成熟度”，將于兩周后作為穩定版面世。

Gemini 2.5 Pro Preview 06-05 Thinking在基準測試中全面屠榜，文本、視覺、網頁開發、編程、數學、創意、多輪對話、指令跟隨及長查詢類別等能力上均拔得頭籌。

▲綜合榜單（來源：LMArena）

有網友在用Emoji表情標出了06-05版本的表現對比，可以看出其在測試數學能力的AIME 2025、測試代碼生成的LiveCodeBench上并未超過o3和o4-mini，視覺推理的MMMU榜單上也未超過o3，仍有進步空間。

且在價格上，06-05版本與榜單中的其他模型相比較為實惠，但仍遠高于DeepSeek R1。

從細分榜單來看，LMArena文本基準測試中，06-05版本的Elo分數較05-06版提升24分，以1470分保持榜首。WebDevArena測試中，其Elo分數以1443分領先，較此前提升了35分。06-05版本也領跑Aider Polyglot等高難度編程基準測試，超越DeepSeek R1等一眾大模型。

▲WebDevArena榜單（來源：LMArena）

在HLE（Humanity’s Last Exam，人類終極測試）中，06-05版本的成績為21.6%，幾乎是Claude 4 Opus的2倍，GPQA測試的成績也同樣占據榜首。這兩個測試是評估數學、科學、知識及推理能力的超高難度測試，06-05版本的亮眼成績足以說明它的實力。

▲HLE榜單（來源：Humanity’s Last Exam官網）

即刻起，開發者們可以從谷歌AI Studio和Vertex AI平臺接入Gemini API體驗最新版本，谷歌還在這兩個平臺上新增了“思考預算”功能，優化成本與延遲控制。同時，新版本也將在Gemini應用上逐步推出。

二、Gemini新版被玩出花了

06-05版本一經推出就有許多開發者和用戶進行體驗嘗鮮。

首先是圖像生成方面，皮查伊自己用Gemini生成了一張獅子的特寫照片，圖片十分生動：

卡通動畫風也是不在話下：

編程方面：Android studio提示Gemini 2.5 Pro Preview 06-05 Thinking創建一個用戶個人資料圖片，要求包含：Android Jetpack Compose 代碼，能夠生成類似該用戶個人資料圖片的代碼以及導入語句、Material3和代碼文檔，結果十分驚艷：

有網友要求06-05版本編寫一個Python程序，模擬隨機車流量單行道上的交通信號燈運作過程：

還有網友要求06-05版本編寫一個“3D球體”代碼來展示它的能力，結果它僅憑一句指令就生成了這個交互式粒子系統，讓網友直呼“這不可能是真的！”

結語：大模型進入快迭代時代

此前，DeepSeek和OpenAI的推理模型曾主導行業關注焦點，智東西不久之前曾報道DeepSeek-R1-0528開源，其性能接近OpenAI在4月中旬發布的o4 mini和o3模型高版本。谷歌此番更新更是迎頭趕上，全面屠榜，基準測試結果超越DeepSeek R1和OpenAI的o3、o3-mini和o4-mini。

Gemini 2.5 Pro初代版本于3月發布時，Venture Beat的馬特·馬歇爾（Matt Marshall）就稱其為“最被低估的智能模型”。這一評價很快得到驗證，憑借2.5 Pro及其兩個升級版本的快速迭代，谷歌不僅大幅提升了模型的多模態理解、長文本推理和代碼生成能力，更在大語言模型性能基準測試中多次超越競品。

如今大模型的迭代周期越來越短，基準測試榜單的頭把交椅也時常易主。AI較量的白熱化提醒我們，大模型從一開始的大爆發時代已經進入快迭代時代。

來源：谷歌Blog、X、LMArena、Humanity’s Last Exam以及Venture Beat