Gemini 2.5 Pro：会"思考"的新一代AI模型
原标题： Gemini 2.5: Our newest Gemini model with thinking
中文标题： Gemini 2.5：谷歌最新的具备思维能力的 Gemini 模型
发布日期： 2025年3月25日
原文链接： https://blog.google/technology/google-deepmind/gemini-model-thinking-updates-march-2025/
一句话摘要
Google DeepMind 发布 Gemini 2.5 Pro，这是他们"最智能的AI模型"，首次引入"思维"（Thinking）能力，在数学、科学、编程等关键基准测试中全面领先，以100万上下文窗口和63.8%的SWE-Bench得分开启了"慢思考"AI的新时代。
核心内容
核心定位
Gemini 2.5 Pro 被 Google DeepMind 定位为"我们最智能的AI模型"，其最大创新是引入了"思维"（Thinking）能力。与传统模型直接生成回答不同，Gemini 2.5 Pro 能够"在回答之前先进行思考推理"，通过内部思维链显著提升回答的准确性和深度。
基准测试表现
数学与科学：
- 在 GPQA（研究生水平科学问答）和 AIME 2025（美国数学邀请赛）等基准测试中领先，且无需使用多数投票等增加成本的测试时技巧
- 在"人类最后的考试"（Humanity's Last Exam）数据集上达到18.8%的最优成绩——该数据集由数百位各领域专家设计，旨在测试模型应对最困难问题的能力
编程能力：
- 在 SWE-Bench Verified（业界标准的智能体代码评测）上以自定义智能体配置获得63.8%的得分
- 擅长创建视觉效果出色的Web应用、智能体代码应用、代码转换和编辑
关键技术特性
思维模型架构： Gemini 2.5 系列是"思维模型"（Thinking Models），能够在回答前进行推理思考。这不是简单的提示工程技巧，而是模型架构层面的能力——模型在输出答案前会生成一系列内部推理步骤。
100万上下文窗口： 发布时即支持100万 token 的上下文窗口，200万 token 版本即将推出。超长上下文能力使模型能够处理大型代码库、长篇文档和复杂的多轮对话。
Deep Think 模式： 后续在 Google I/O 2025 上发布了 Deep Think 增强推理模式，使用新的研究技术让模型在回答前考虑多个假设，进一步提升推理深度。
可用性
- 开发者和企业可以在 Google AI Studio 中立即体验
- Gemini Advanced 用户可在桌面和移动端通过模型下拉菜单选择
- 后续在 Vertex AI 上线
技术要点
- "思维"作为架构能力： 不同于简单的链式思考提示（Chain-of-Thought Prompting），Gemini 2.5 的思维能力是训练层面的，模型学会了在回答前进行系统性推理
- 推理时间计算扩展（Inference-time Compute Scaling）： 在推理阶段投入更多计算资源"思考"，而非仅仅依赖更大的训练规模——这是2025年AI领域最重要的范式创新
- 多模态思维： 思维能力不仅限于文本，还覆盖视觉和代码理解等多模态场景
- 上下文窗口的工程挑战： 100万到200万 token 的上下文窗口在注意力机制效率、长距离依赖建模等方面面临巨大工程挑战
- Deep Think 的多假设探索： 区别于线性推理，Deep Think 能同时考虑多个可能的假设，更接近人类专家的思维方式
深度解读
Gemini 2.5 Pro 的发布标志着大语言模型从"快思考"到"慢思考"的范式转变。这一转变深刻呼应了认知心理学家 Daniel Kahneman 的双系统理论：
- 系统1（快思考）： 传统LLM的工作方式——接收输入后立即生成输出，快速但容易出错
- 系统2（慢思考）： Gemini 2.5 的新模式——在回答前进行审慎推理，速度稍慢但准确性显著提升
为什么"思考"如此重要？ 在此之前，提升LLM性能的主要方法是"训练更大的模型"（Scaling Law）。但模型规模的增长面临数据、能源和成本的天花板。推理时间计算扩展提供了一个新的性能提升维度——不改变模型大小，而是让模型"想更久"。这对AI产业的经济学有深远影响：计算成本从一次性的训练成本转向持续的推理成本。
SWE-Bench 63.8% 的真正含义： SWE-Bench Verified 测试模型能否像真正的软件工程师一样修复 GitHub 上的真实 bug。63.8% 意味着模型已能解决近三分之二的真实软件工程任务——这不是玩具级别的演示，而是接近生产级别的编程能力。这对软件开发行业的冲击将在2025-2026年加速显现。
"人类最后的考试"18.8% 看似不高，实则意义深远： 这个数据集是由数百位各领域顶尖专家刻意设计来"难倒"AI的。任何一个人类也无法在所有领域都获得高分。18.8% 的最优成绩表明模型在跨领域广度上已达到令人印象深刻的水平。
延伸思考
思考的成本与价值权衡： "慢思考"意味着更高的推理成本和延迟。在实际应用中，如何决定哪些任务值得"深度思考"，哪些任务用"快思考"即可？这可能催生新的AI调度和路由架构。
思维过程的可解释性： 模型的"思考过程"对用户可见吗？如果可见，这将极大地提升AI的可解释性和可信度。如果不可见，我们如何验证模型确实在"正确地思考"？
编程能力的产业影响： SWE-Bench 63.8% 意味着软件开发中大量的 bug 修复和代码维护工作可以自动化。这将如何重塑软件工程师的角色——从"写代码"转向"设计系统和审查AI的代码"？
200万上下文的应用场景： 当模型能处理200万 token（约150万字或数千页文档），新的应用场景将会涌现：完整代码库分析、全书翻译、大规模文档处理等。
竞争格局： Gemini 2.5 Pro 的发布直接挑战了 OpenAI 的 o1/o3 系列和 Anthropic 的 Claude。思维模型的军备竞赛已经全面展开，这将推动整个行业的快速创新。