谷歌Gemini 2.5 Pro上线即“屠榜”！每经记者实测：可轻松模拟火星登陆，快速制作小游戏，但审美能力有待提升

每经记者：岳楚鹏 每经编辑：兰素英

图片来源：谷歌博客

当地时间3月25日，谷歌正式揭开其下一代AI模型系列——Gemini 2.5的神秘面纱，宣称这是其迄今为止“最智能的AI模型”。

首个发布的版本被命名为Gemini 2.5 Pro Experimental（以下简称“Gemini 2.5 Pro”）。谷歌表示，Gemini 2.5 Pro支持100万个token的上下文窗口，这意味着AI模型能一次性处理相当于两本《红楼梦》字数的文本量。

该模型一经发布，便在各大基准测试上全面“屠榜”，在所有测试中都稳居第一名的位置，包括常见的编程、数学和科学基准测试。

谷歌Deepmind首席技术官Koray Kavukcuoglu在博客中写道：“现在，通过Gemini 2.5，我们结合了显著增强的基础模型和改进后的后续训练，实现了全新的性能水平。未来，我们将把这种思维能力直接构建到我们所有的模型中，使其能够处理更复杂的问题，并支持更强大、更具情境感知能力的智能体。”

《每日经济新闻》记者（以下简称“每经记者”）也在第一时间对Gemini 2.5 Pro进行了测试，测试包括数学、火星登陆模拟测试、网页开发和小游戏制作。

测试结果显示，该模型在科学类问题和编程方面实力强大，用户只要会打字，就能进行编程。而且，生成速度极快，质量良好。与每经记者之前测试的多款大模型相比，Gemini 2.5 Pro在测试过程中几乎没有出现bug。不过，在网页设计审美和玩家体验等方面，该模型还有提升的空间。

Gemini 2.5 Pro上线即“屠榜”

当地时间3月25日，谷歌宣布推出全新AI模型系列——Gemini 2.5。谷歌首席科学家Jeff Dean表示，Gemini 2.5是该公司最智能的模型，具有令人印象深刻的高级推理和编码能力。

Gemini 2.5系列属于“思考模型”，这意味着该模型在生成最终回应之前，能够进行内部的“思考”或推理过程。谷歌表示，这种能力旨在显著提升模型的性能表现和答案的准确性，是谷歌在强化学习、思维链提示技术领域长期深耕，以及对早期 “思考” 模型（如 Gemini 2.0 Flash Thinking ）持续探索的重要成果。

Gemini 2.5 Pro是这一系列模型的首发产品。谷歌表示，Gemini 2.5 Pro支持100万个token的上下文窗口，这意味着它一次性能处理相当于两本《红楼梦》字数的文本量。并且，谷歌承诺，Gemini 2.5 Pro很快将支持两倍的上下文窗口（即200万个token）。

目前，Gemini 2.5 Pro已在Google AI Studio和Gemini应用中推出，向Gemini Advanced用户开放，并将很快在Vertex AI上推出。

一经发布，Gemini 2.5 Pro便以出色的性能吸引了外界的广泛关注。谷歌在博客中强调，Gemini 2.5 Pro在一系列行业基准测试中达到了“最先进水平”（state-of-the-art），包括常见的编程、数学和科学基准测试。

在“人类的最后考试”测试中，它获得了18.8%的最高分数，这是目前为止所有未使用（外接工具）的大模型中最好的成绩。“人类最后的考试”是一个由全球近千名专家共同设计的多模态基准测试，旨在评估大型语言模型的能力极限。该测试包含3000道涵盖数学、人文学科和自然科学等多个领域的前沿问题。

“人类的最后考试”测试 图片来源：谷歌官网

在专注于人类理解的大模型竞技场测试中，Gemini 2.5 Pro也以创纪录的优势拔得头筹，创下了历史最大的分数跨越，比Grok-3和GPT-4.5高出40多分。

图片来源：大模型竞技场

具体来看，在代号为“nebula”的测试中，Gemini 2.5 Pro横扫所有类别，夺得第一，独揽数学、创意写作、指令遵循、长查询和多轮对话这五大领域的冠军；

图片来源：X平台截图

在人类偏好测试中，Gemini 2.5 Pro同样是在所有类别中问鼎榜首，只在困难提示和编码领域与Grok-3/GPT-4.5拿到并列冠军。

人类偏好测试 图片来源：大模型竞技场

在网页开发领域，Gemini 2.5 Pro也是脱颖而出，在WebDev Arena上排名第二，它较上一代Gemini有了巨大的飞跃，超越了Claude 3.5 Sonnet，是第一款能与Claude抗衡的模型，但仍低于Claude 3.7 Sonnet。

WebDev Arena测试 图片来源：大模型竞技场

在Vision Arena（视觉竞技场）测试中，作为多模态模型的Gemini 2.5 Pro也处于领先的位置。

Vision Arena测试 图片来源：大模型竞技场

记者实测：编程方面实力强大，但审美及玩家体验待提升

每经记者第一时间对Gemini 2.5 Pro进行了测试，测试包括数学、火星登陆模拟测试、网页开发和小游戏制作。

数学问题

每经记者抛出的是一个博士资格考试的群论数学问题：有多少个147阶的非同构群？

Gemini 2.5 Pro在数量和具体的非同构群上都给出了完美的解答。值得一提的是，此前记者也用这一问题对其他大模型进行了测试，Grok3、o3-mini和DeepSeek-R1都或多或少出现了错误，不是数量没找对，就是具体的非同构群出错。

火星登陆模拟

接下来，每经记者测试的是Gemini 2.5 Pro在数学和物理方面的综合能力。测试选择的是马斯克的经典问题：绘制一个登陆火星并返回的火箭轨道图。

Gemini 2.5 Pro给出了一个完成度超高的动态图像，包含任务天数、具体轨道示意图等要素。并且，它还称，这只是一个简单版本，如果允许它接入天体数据库的话，它还可以制作一个更准确的版本出来。

网页开发

在前端设计方面，每经记者要求它设计一个有互动性的世界风光介绍网站。

Gemini 2.5 Pro输出了一个完整的网站，并且带有景点介绍和互动地图探索相关功能。但是，在具体细节上，它犯了很多小错误，例如，景点介绍的图片不仅单一，而且还都是不相关的内容。此外，整体网页设计的色调也不甚美观。

小游戏制作

最后，每经记者让Gemini 2.5 Pro制作一个类似于flappy bird的小游戏，标准是卡通画风，背景要随游玩时间变换，玩家主角要是一个小飞象，要有有趣的玩法创新。

在短暂的思考后，Gemini 2.5 Pro输出了完成这个游戏需要的500多行代码。这一游戏非常完美地契合了每经记者给出的描述，并且对玩法创新的模糊描述也给出了良好的回应，自行思考出了无敌道具玩法，吃下金花生就可以在短时间内无敌。

更重要的是，这一游戏并没有出现任何bug，只需要复制粘贴就可以流畅运行。

在此前的大模型测试中，第一次的输出结果或多或少会出现一些bug，影响游戏体验。不过，还是要指出的一点是，Gemini 2.5 Pro只考虑了背景变化的要求，却没注意到其生成的游戏背景图案中，云朵变化速度过快，太费眼睛。

综上，每经记者认为，Gemini 2.5 Pro在科学类问题和编程等硬实力上实力满满，但在审美和玩家体验等软实力上还有一点欠缺。