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(shíjiān)6月6日，谷歌推出升级预览版大模型Gemini 2.5 Pro（0605），并(bìng)表示这会在几周后(hòu)成为正式的稳定版本，适用于企业级应用。 Gemini 2.5 Pro是谷歌旗舰模型(móxíng)系列，在前三个月公布了几个预览版，此前也一直在大(dà)模型竞技场LMArena排名第一，这一次更新的(de)版本各方面的分数(fēnshù)都超过了此前的版本，继续排在榜一。 不过，第一财经也询问了一些开发者，他们认为，不能(bùnéng)完全相信榜单，要看实际体验和绝大多数开发者的选择(xuǎnzé)，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(yīyòng)才能有更(gèng)客观的评价。 根据谷歌官方博客(bókè)，最新2.5 Pro 在(zài)多项AI性能基准测试中取得了更高的分数，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(yǐ)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)方面继续表现出色，在 Aider Polyglot 等高难度编程基准测试中保持领先。此外(cǐwài)，它在 GPQA（研究生级别的(de)问答(wèndá)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21.6%，比OpenAI的o3多出 1.3个百分点。 在谷歌模型发布后，业界(yèjiè)知名的测评方大模型竞技场 (lmarena.ai)发布了一份新的榜单，显示2.5 Pro新版在总分和所有子榜单位(dānwèi)列第一，包括(bāokuò)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(duì)这个榜单存疑。例如(lìrú)，从编程(biānchéng)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，2.5 Pro新版的表现确实很(hěn)好，但是不如Claude 4 Opus。 有(yǒu)行业人士(rénshì)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，但对Agent的能力评测有限，但从实际应用过程中，Claude模型在(zài)Agent方面(fāngmiàn)做了专门优化，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(fāngxiàng)还没怎么发力。 一位开发者用C++编程语言较多，他对记者表示(biǎoshì)，Claude比Gemini强太多，“任何Claude和(hé)o3无法解决(jiějué)的(de)问题，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(rènwéi)，Gemini擅长的是长上下文和多模态(mótài)，而Claude前端更优，目前看可能还是这一格局。 不过，另一位用Python和typescript编程语言的(de)开发者体验(tǐyàn)并不相同，最近一个月，他无论在工作(gōngzuò)场景还是Cursor场景都全面转为了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，在不同的生产场景(chǎngjǐng)和个性化(gèxìnghuà)工作中，各个模型的体验和口碑并不相同。 大(dà)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)较量正在从单纯的跑分转向更复杂的维度，模型的真正(zhēnzhèng)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，使用成本也是(shì)开发者较为看重的一个因素，目前来看，Gemini比OpenAI的 o3、Claude 4 Opus和(hé)Grok 3都要(yào)更有性价比，但仍然(réngrán)是国内DeepSeek的R1最便宜。 Gemini 2.5 pro的输入价格1.25美元，输出为(wèi)10 美元/百万Tokens。而o3在(zài)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。针对此次更新，谷歌表示新模型引入(yǐnrù)了“思考(sīkǎo)预算”功能，能让开发者更好地控制成本和延迟。 榜单分数(fēnshù)是起点，真正的较量，在无数开发者和企业(qǐyè)的工作和落地中展开。谁能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(dìyī)财经)