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，谷歌推出升级(shēngjí)预览版大模型Gemini 2.5 Pro（0605），并表示这会在几周后成为正式的(de)稳定版本，适用于(yú)企业级应用。 Gemini 2.5 Pro是谷歌旗舰(qíjiàn)模型(móxíng)系列，在前三个月公布了几个预览版，此前也一直在大模型竞技场LMArena排名第一，这一次更新的版本各(gè)方面的分数(fēnshù)都超过了此前的版本，继续排在榜一。 不过，第一(dìyī)财经也(yě)询问了一些开发者，他们认为，不能完全相信榜单，要看实际体验和绝大多数开发者的(de)选择，此前Gemini的模型表现各有优劣，开发者评价(píngjià)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。 根据谷歌官方博客，最新2.5 Pro 在多项AI性能基准测试中取得了更高的(de)分(fēn)数，在 LMArena上Elo分数（衡量模型相对技能水平的评分(píngfēn)）提升了24分，目前以1470分的成绩(chéngjì)保持领先。 具体领域上，谷歌称，最新模型在(zài)代码方面继续表现出色，在 Aider Polyglot 等高难度编程基准测试(cèshì)中保持领先。此外，它在 GPQA（研究生(yánjiūshēng)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(HLE) ” 中成绩达到(dádào)21.6%，比OpenAI的o3多出 1.3个(gè)百分点。 在谷歌模型发布(fābù)后，业界知名的测评方大模型竞技场 (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(dānwèi)列第一，包括文本、视觉、数学、创意等。 不过(guò)，“高分低能”的产品此前也(yě)有过，不乏开发者对这个榜单存疑。例如，从编程体验上来说，Anthropic的Claude系列模型是公认较为好用的基座模型，此次在榜单的成绩(chéngjì)并不突出。有海外网友表示(biǎoshì)，2.5 Pro新版(xīnbǎn)的表现确实很好，但是不如Claude 4 Opus。 有行业人士认为，这一问题(wèntí)或许是榜单评测问题，只是让AI完成基础(jīchǔ)的(de)任务，但对Agent的能力评测有限，但从实际应用过程中，Claude模型在Agent方面做了专门优化(yōuhuà)，可以在大规模、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(hái)没怎么发力。 一位(yīwèi)开发者用C++编程语言较多，他对(duì)记者表示，Claude比Gemini强太多，“任何Claude和o3无法解决的问题，Gemini从没有(méiyǒu)一个(yígè)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擅长的(de)是长上下文和多模态，而Claude前端更优，目前看(kàn)可能还是这一格局。 不过，另一位用Python和typescript编程语言的开发者体验(tǐyàn)并不相同，最近一个月，他无论在工作场景(chǎngjǐng)还是Cursor场景都全面(quánmiàn)转为了Gemini 2.5 pro，发现代码写(xiě)得比Claude 3.7好(hǎo)，生成的网页更漂亮，写出来的文案也更好。 目前看起来，在不同(bùtóng)的生产场景和(hé)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(xiàbànchǎng)，模型基础能力差距逐渐缩小，模型之间的较量正在从单纯的跑(pǎo)分转向更复杂的维度，模型的真正价值，越来越取决于在特定场景下的表现(biǎoxiàn)能否赢得开发者的投票。 不过(bùguò)，除开能力，使用成本也是开发者较为看重的(de)一个因素，目前来看，Gemini比OpenAI的 o3、Claude 4 Opus和Grok 3都要更(gèng)有性价比，但仍然是国内DeepSeek的R1最便宜(piányi)。 Gemini 2.5 pro的输入价格1.25美元，输出(shūchū)为(wèi)10 美元/百万Tokens。而o3在输入和(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(cǐcì)更新，谷歌表示(biǎoshì)新模型引入了“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(kāifāzhě)和企业的工作和落地中展开。谁能(néng)更好地解决核心问题，谁就能赢得竞争的主动权。 (本文来自第一财经(cáijīng))