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，谷歌推出升级预览版(yùlǎnbǎn)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是谷歌旗舰模型系列，在前三个月(yuè)公布了几个预览版，此前也一(yī)直在大模型竞技场LMArena排名第一，这(zhè)一次更新的(de)版本各方面的分数都超过了此前的版本，继续排在榜一。 不过(bùguò)，第一财经也询问了一些开发者(kāifāzhě)，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选择(xuǎnzé)，此前Gemini的模型表现各有优劣(yōuliè)，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。 根据谷歌官方博客，最新2.5 Pro 在多项AI性能(xìngnéng)基准测试(cèshì)中(zhōng)取得了更(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(chēng)，最新模型在代码方面(fāngmiàn)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，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(rénlèi)的最后(zuìhòu)考试(HLE) ” 中成绩达到(dádào)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(fāngdà)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，包括文本、视觉、数学、创意(chuàngyì)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，从编程体验上来说，Anthropic的Claude系列(xìliè)模型是公认较为好用的基座模型，此次在榜单的成绩并不突出。有海外网友表示(biǎoshì)，2.5 Pro新版的表现确实很好，但是(dànshì)不如(bùrú)Claude 4 Opus。 有(yǒu)行业人士认为，这一问题或许是(shì)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(shíjì)应用过程中(zhōng)，Claude模型在Agent方面做了专门优化，可以(kěyǐ)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方向还没怎么发力。 一位开发者用C++编程语言较(jiào)多，他对记者表示，Claude比Gemini强太多，“任何Claude和(hé)o3无法解决的(de)问题，Gemini从没有一个能(néng)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(zhèyī)格局。 不过，另一位用Python和typescript编程语言(biānchéngyǔyán)的(de)开发者体验并不相同，最近一个月(yígèyuè)，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(xiě)得比Claude 3.7好，生成的网页更漂亮，写出来的文案也更好。 目前看起来，在不同的生产场景和(hé)个性化工作中(zhōng)，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(zhèngzài)从单纯的跑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能否(néngfǒu)赢得开发者的投票。 不过，除开(chúkāi)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(bǐ)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。 Gemini 2.5 pro的输入价格1.25美元，输出为10 美元/百万Tokens。而o3在输入和输出价格方面则高至10美元和40美元每(měi)百万Tokens ，Claude 4 Opus价格更高。针对此次更新(gēngxīn)，谷歌表示新模型(móxíng)引入了(le)“思考预算”功能，能让(ràng)开发者更好地控制成本和延迟。 榜单分数是起点，真正的(de)较量，在无数开发者(kāifāzhě)和企业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(láizì)第一财经)