arxiv.org
Gemini 2.5: Pushing the Frontier with Advanced Reasoning, Multimodality, Long Context, and Next Generation Agentic Capabilities
Google DeepMind 发布 Gemini 2.5 系列技术报告，覆盖 Pro / Flash 全族模型的能力评估与架构设计
Gemini 2.5 技术报告解读：Google 的「会思考」旗舰是怎么造出来的
Google DeepMind 2025 年 7 月发布 Gemini 2.5 系列技术报告。这篇解读分析 Thinking 机制设计、关键基准数据（GPQA 84%、SWE-bench 63.8%、HLE 18.8%）、多模态新边界，以及 Google 技术路线从「长上下文先行」转向「推理优先」的战略含义。
Research Brief
Gemini 2.5 技术报告解读：Google 的"会思考"旗舰是怎么造出来的
Google DeepMind 在 2025 年 7 月发布了 Gemini 2.5 系列技术报告1。这不只是一份模型发布公告——它标志着 Google 技术路线的一次明确转向：从"长上下文 + 多模态先行"切换到"推理优先，多模态打底"。
Loading link preview…
Gemini 2.5 系列的定位
Gemini 2.X 系列覆盖四个模型，构成一条完整的性能-成本帕累托前沿：
| 模型 | 核心定位 | 是否支持 Thinking |
|---|---|---|
| Gemini 2.5 Pro | 旗舰，最强推理与编码能力 | 是 |
| Gemini 2.5 Flash | 以极低计算量提供出色推理 | 是（可控 budget） |
| Gemini 2.0 Flash | 快速低成本，日常任务 | 否 |
| Gemini 2.0 Flash-Lite | 最快最低成本，大规模部署 | 否 |
技术报告着重介绍前两个模型。Gemini 2.5 Pro 是 Google 当前能力最强的思考型模型，在发布时同步登顶 LMArena 人类偏好排行榜，领先第二名约 40 分2。
Thinking 机制：推理如何被引入
Gemini 2.5 最核心的技术设计是将"思维链"能力直接内化到模型权重中，而非依赖外部提示词工程。技术报告描述的路径是：在显著增强的基础模型之上，配合改进的后训练阶段，让模型学会"先想后答"的模式。
这与 OpenAI o1/o3 路线和 Anthropic Claude 3.7 Extended Thinking 有相似之处，但 Google 的处理方式有两点差异：
- Gemini 2.5 Flash 支持可控思维预算，开发者可以指定模型用于推理的计算量上限，在质量、成本和延迟之间灵活权衡
- 思维能力面向整个模型族，技术报告明确表示这是未来所有 Gemini 模型的默认能力，不再是旗舰专属
Gemini 2.5 Pro 输入支持 100 万 token 上下文窗口（技术报告发布时，200 万 token 版本即将推出），能够同时处理文本、音频、图像、视频和完整代码库1。
基准测试数据
以下是 Gemini 2.5 Pro 在关键基准上的表现，数据来自 Google 官方博客与第三方评测：
| 基准 | 领域 | Gemini 2.5 Pro 成绩 |
|---|---|---|
| GPQA Diamond | 科学推理 | 84%（发布时） |
| SWE-bench Verified | 智能体编码 | 63.8%（自定义智能体） |
| Humanity's Last Exam | 人类知识前沿 | 18.8%（无工具调用） |
| Aider Polyglot | 编码（多语言） | 相比 Gemini 1.5 Pro 提升 5 倍 |
| SWE-bench Verified | 智能体编码 | 相比一年前提升 2 倍 |
Humanity's Last Exam（HLE）是由数百名领域专家设计的极难基准，创建时单题标注酬劳最高达 5000 美元，专门捕捉"人类知识前沿"的问题。该基准首发时最强模型准确率仅为个位数，Gemini 2.5 Pro 的 18.8% 已是发布时的 SOTA3。
多模态能力的新边界
技术报告中强调了一个此前少有模型真正实现的能力：视频级多模态理解。Gemini 2.5 Pro 可处理最长 3 小时的视频内容，并能以此为上下文生成可执行代码或交互式 Web 应用。
这一能力与长上下文结合，开始有实际落地意义——例如接入完整会议录像后生成测试题，或对整个代码仓库做跨文件级别的推理与重构。技术报告给出的应用示例包括：用单行提示词驱动 Gemini 2.5 Pro 生成一个完整可运行的视频游戏。
安全评估框架
技术报告沿用了 Google 的关键能力（Critical Capability）评估框架，检验模型在网络安全、生物化学（CBRN）、机器学习研发自动化和欺骗性对齐四个维度是否越过安全阈值。Gemini 2.5 未在上述任何维度触发临界等级1。
相较 Gemini 1.x 系列，2.5 在有用性上有明显改进：更少拒绝合法用户查询，语气中的过度道德说教也明显减少——这说明 Google 在对齐训练中对"过拒"问题做了专项优化。
对技术路线的判断
Gemini 2.5 技术报告展示了三条值得 AI 研究者关注的趋势：
Thinking 从旗舰下沉到全系。Google 明确表态将 Thinking 能力作为整个 Gemini 族的默认配置，这意味着推理增强将是基础设施层面的选择，不再是区分高低端模型的特性。
Flash 模型正在变得"足够聪明"。Gemini 2.5 Flash 以极少计算量提供接近 Pro 水平的推理，配合可控思维预算，在延迟敏感或成本敏感场景下是一个更实际的工程选择。
多模态从技术演示走向实际工作流。三小时视频处理 + 百万 token 上下文的结合，让多模态能力开始可以承接复杂的企业场景而非只是 demo 展示。
技术报告本身相当简洁，大量细节（具体架构、训练数据规模、与竞品的逐项对比表格）没有公开——Google 的惯常做法。但从已公布的基准数据和设计哲学来看，Gemini 2.5 是目前三大公司中第一个将 Thinking 能力全系标配、同时维持多模态优势的模型族。
Loading link preview…
Add more perspectives or context around this Drop.