谷歌新模型2.5 Pro霸榜AI竞技场，开发者评价两极分化

北京时间6月6日(rì)，谷歌推出升级预览版大模型Gemini 2.5 Pro（0605），并表示这会(zhèhuì)在几周后成为正式的(de)稳定版本，适用于企业级应用。 Gemini 2.5 Pro是谷歌旗舰模型系列，在前三个月公布了(le)几个预览版，此前也(yě)一(yī)直在大模型竞技场LMArena排名第一，这一次更新的版本各方面(fāngmiàn)的分数都超过了此前的版本，继续排在榜一。 不过，第一(dìyī)财经也询问了一些开发者，他们认为，不能完全(wánquán)相信榜单(bǎngdān)，要看实际(shíjì)体验和绝大多数开发者的选择，此前Gemini的模型表现各有优劣，开发者评价两极分化，目前刚出来大家或许要用一用才能有更客观的评价。 根据谷歌官方(guānfāng)博客，最新2.5 Pro 在多项AI性能基准测试中取得了(le)(le)更(gèng)高的分数，在 LMArena上Elo分数（衡量模型相对技能水平的评分）提升了24分，目前以1470分的成绩保持领先。 具体领域上，谷歌称，最新模型在(zài)(zài)代码(dàimǎ)方面继续(jìxù)表现出色，在 Aider Polyglot 等高难度编程基准测试中保持领先。此外，它在 GPQA（研究生级别的(de)问答测试）中的成绩超过了OpenAI的o3、Claude 4以及DeepSeek-R1的最新版。在“人类的最后考试(kǎoshì)(HLE) ” 中成绩达到21.6%，比OpenAI的o3多出 1.3个百分点。 在谷歌模型发布后，业界知名的测评方大模型竞技场(jìngjìchǎng) (lmarena.ai)发布了一份(yīfèn)新的榜单，显示2.5 Pro新版在总分和所有子榜单位列第一(dìyī)，包括文本、视觉、数学、创意等。 不过，“高分低能”的产品此前也有过，不乏开发者对这个榜单(bǎngdān)存疑。例如，从(cóng)编程体验上来说，Anthropic的Claude系列模型是公认较为好用的基座模型，此次(cǐcì)在(zài)榜单的成绩并不突出。有海外网友表示，2.5 Pro新版的表现确实很好，但是不如(bùrú)Claude 4 Opus。 有行业人士认为，这一问题或许是榜单评测问题，只是让AI完成基础的任务(rènwù)，但(dàn)对Agent的能力(nénglì)评测有限，但从实际应用过程中，Claude模型在(zài)Agent方面做了专门优化，可以在大规模(dàguīmó)、系统化、长时间的编程任务中表现出色，和行业拉开距离。而谷歌在Agent方向还没怎么发力。 一位(yīwèi)开发者用C++编程语言较(jiào)多，他对记者表示，Claude比Gemini强太多，“任何Claude和o3无法解决的(de)问题(wèntí)，Gemini从没有一个能解决；但反之，Gemini 写不对的，往往Claude能写对。” 上述开发者认为，Gemini擅长(zhǎng)的是长上下文和多(duō)模态，而Claude前端更优，目前看可能还是这一格局。 不过，另一位(yīwèi)用Python和typescript编程语言的开发者体验并不相同(bìngbùxiāngtóng)，最近一个月，他无论在工作场景还是Cursor场景都全面转为了(le)Gemini 2.5 pro，发现代码写得比Claude 3.7好，生成的网页更(gèng)漂亮，写出来的文案(wénàn)也更好。 目前看起来，在(zài)不同的(de)生产场景和个性化工作中，各个模型的体验和口碑并不相同。 大模型竞争进入下半场，模型基础能力差距逐渐缩小，模型之间的(de)较量正在(zài)从单纯的跑分转向更复杂(fùzá)的维度，模型的真正价值，越来越取决于在特定场景下的表现能否赢得开发者的投票。 不过，除开能力(nénglì)，使用成本也是开发者(kāifāzhě)较为看重的一个因素，目前来看(láikàn)，Gemini比OpenAI的 o3、Claude 4 Opus和Grok 3都要(yào)更有性价比，但仍然是国内DeepSeek的R1最便宜。 Gemini 2.5 pro的(de)输入价格(jiàgé)1.25美元，输出为10 美元/百万Tokens。而o3在输入和(hé)(hé)输出价格方面则高至10美元和40美元每百万Tokens ，Claude 4 Opus价格更高。针对此次更新，谷歌表示新模型引入(yǐnrù)了“思考预算”功能，能让开发者更好地控制成本和延迟。 榜单分数是起点，真正的较量，在无数开发者和企业的工作和落地中展开。谁能(néng)更好地解决核心问题，谁就能赢得(yíngde)竞争的主动权。 (本文来自第一(dìyī)财经)