智东西

作者 | 王涵

编辑 | 漠影

智东西 6 月 6 日消息，谷歌今日突袭推出 Gemini 2.5 pro 的重磅更新版本 Gemini 2.5 Pro Preview 06-05 Thinking，该版本在推理能力、科学以及编程能力测试中超越 OpenAI o3、DeepSeek R1 和 Claude Opus 4，其中编程能力更是领跑 Aider Polyglot 等高难度编程基准测试。

价格方面，06-05 版本沿用了先前版本的价格策略，即每百万 token 输入（无缓存）1.25 美元（约合人民币 9 元），输出 10 美元（约合人民币 72 元）。

谷歌 CEO 桑达尔 · 皮查伊（Sundar Pichai）在海外社交媒体 X 上亲自官宣：" 我们最新的 Gemini 2.5 Pro 更新现已发布预览版 …… 我们听取了您的反馈，并对回答的风格和结构进行了改进。您可以在 Al Studio、Vertex Al 平台和 Gemini app 中进行试用。正式版即将推出！"

一、性能全面屠榜，Gemini 以 1443 分登顶 WebDevArena 榜单

在 5 月年度 I/O 开发者大会上，谷歌宣布已对 Gemini 2.5 Pro 进行静默升级。谷歌 DeepMind 首席执行官戴米斯 · 哈萨比斯（Demis Hassabis）当时评价 I/O 版本是公司迄今最佳编程模型。

而此次名为 "Gemini 2.5 Pro Preview 06-05 Thinking" 的新预览版在 05-06 版本之上进行的更新，测试表现更优，谷歌在博客中评价该版本为 " 我们迄今为止最有智慧的模型 "。谷歌还透露说，新版本 " 具备企业级应用成熟度 "，将于两周后作为稳定版面世。

Gemini 2.5 Pro Preview 06-05 Thinking 在基准测试中全面屠榜，文本、视觉、网页开发、编程、数学、创意、多轮对话、指令跟随及长查询类别等能力上均拔得头筹。

综合榜单（来源：LMArena）

有网友在用 Emoji 表情标出了 06-05 版本的表现对比，可以看出其在测试数学能力的 AIME 2025、测试代码生成的 LiveCodeBench 上并未超过 o3 和 o4-mini，视觉推理的 MMMU 榜单上也未超过 o3，仍有进步空间。

且在价格上，06-05 版本与榜单中的其他模型相比较为实惠，但仍远高于 DeepSeek R1。

从细分榜单来看，LMArena 文本基准测试中，06-05 版本的 Elo 分数较 05-06 版提升 24 分，以 1470 分保持榜首。WebDevArena 测试中，其 Elo 分数以 1443 分领先，较此前提升了 35 分。06-05 版本也领跑 Aider Polyglot 等高难度编程基准测试，超越 DeepSeek R1 等一众大模型。

WebDevArena 榜单（来源：LMArena）

在 HLE（Humanity ’ s Last Exam，人类终极测试）中，06-05 版本的成绩为 21.6%，几乎是 Claude 4 Opus 的 2 倍，GPQA 测试的成绩也同样占据榜首。这两个测试是评估数学、科学、知识及推理能力的超高难度测试，06-05 版本的亮眼成绩足以说明它的实力。

HLE 榜单（来源：Humanity ’ s Last Exam 官网）

即刻起，开发者们可以从谷歌 AI Studio 和 Vertex AI 平台接入 Gemini API 体验最新版本，谷歌还在这两个平台上新增了 " 思考预算 " 功能，优化成本与延迟控制。同时，新版本也将在 Gemini 应用上逐步推出。

二、Gemini 新版被玩出花了

06-05 版本一经推出就有许多开发者和用户进行体验尝鲜。

首先是图像生成方面，皮查伊自己用 Gemini 生成了一张狮子的特写照片，图片十分生动：

卡通动画风也是不在话下：

编程方面：Android studio 提示 Gemini 2.5 Pro Preview 06-05 Thinking 创建一个用户个人资料图片，要求包含：Android Jetpack Compose 代码，能够生成类似该用户个人资料图片的代码以及导入语句、Material3 和代码文档，结果十分惊艳：

有网友要求 06-05 版本编写一个 Python 程序，模拟随机车流量单行道上的交通信号灯运作过程：

还有网友要求 06-05 版本编写一个 "3D 球体 " 代码来展示它的能力，结果它仅凭一句指令就生成了这个交互式粒子系统，让网友直呼 " 这不可能是真的！"

结语：大模型进入快迭代时代

此前，DeepSeek 和 OpenAI 的推理模型曾主导行业关注焦点，智东西不久之前曾报道 DeepSeek-R1-0528 开源，其性能接近 OpenAI 在 4 月中旬发布的 o4 mini 和 o3 模型高版本。谷歌此番更新更是迎头赶上，全面屠榜，基准测试结果超越 DeepSeek R1 和 OpenAI 的 o3、o3-mini 和 o4-mini。

Gemini 2.5 Pro 初代版本于 3 月发布时，Venture Beat 的马特 · 马歇尔（Matt Marshall）就称其为 " 最被低估的智能模型 "。这一评价很快得到验证，凭借 2.5 Pro 及其两个升级版本的快速迭代，谷歌不仅大幅提升了模型的多模态理解、长文本推理和代码生成能力，更在大语言模型性能基准测试中多次超越竞品。

如今大模型的迭代周期越来越短，基准测试榜单的头把交椅也时常易主。AI 较量的白热化提醒我们，大模型从一开始的大爆发时代已经进入快迭代时代。