來源：谷歌黑板報

作者:

Tulsee Doshi，產品管理高級總監(jiān)，代表 Gemini 團隊

今年 3 月，我們發(fā)布了迄今為止最智能的模型 Gemini 2.5 Pro，兩周前，我們提前為您帶來了 I/O 更新，以便開發(fā)者構建出色的網絡應用。今天，我們分享 Gemini 2.5 模型系列的更多更新:

除了 2.5 Pro 在學術基準測試中令人難以置信的性能外，它現(xiàn)在還是 WebDev Arena 和 LMArena 排行榜上的全球領先模型，并且在幫助人們學習方面表現(xiàn)出色。

我們正在為 2.5 Pro 和 2.5 Flash 帶來新功能: 用于更自然對話體驗的原生音頻輸出、更高的安全防護，以及 Project Mariner 的計算機使用功能。2.5 Pro 還將通過 Deep Think，一種用于高度復雜的數(shù)學和編程的實驗性增強推理模式，進一步升級。

我們繼續(xù)投資于開發(fā)者體驗，在 Gemini API 和 Vertex AI 中引入了模型推理摘要以提高透明度，將模型推理預算擴展到 2.5 Pro 以實現(xiàn)更多控制，并在 Gemini API 和 SDK 中添加了對 MCP 工具的支持，以便訪問更多開源工具。

2.5 Flash 現(xiàn)在已在 Gemini 應用中向所有人開放，我們將在 6 月初在 Google AI Studio 中向開發(fā)者以及在 Vertex AI 中向企業(yè)全面提供更新版本，2.5 Pro 也將緊隨其后。

這一顯著進展是 Google 各團隊不懈努力的結果，旨在改進我們的技術，并安全負責地開發(fā)和發(fā)布它們。下面讓我們從以下方面深入了解。

2.5 Pro 表現(xiàn)更勝以往

我們最近更新了 2.5 Pro，以幫助開發(fā)者構建更豐富、更具交互性的網絡應用。非常高興看到用戶和開發(fā)者的積極反響，同時我們正在根據用戶反饋不斷改進。

除了在學術基準測試中的出色表現(xiàn)外，新的 2.5 Pro 現(xiàn)在正領跑流行的編碼排行榜 WebDev Arena，ELO 分數(shù)為 1415。它還在 LMArena 排行榜的所有類別中處于領先地位，該排行榜評估人類在不同維度上的偏好。而且，憑借其百萬級令牌的上下文窗口，2.5 Pro 擁有最先進的長上下文和視頻理解性能。

自從融入了與教育專家合作構建的學習模型系列 LearnLM 以來，2.5 Pro 現(xiàn)已成為領先的學習模型。在對其教學法和有效性進行的直接比較中，教育工作者和專家在各種場景下都更青睞 Gemini 2.5 Pro，而非其他模型。并且，在構建用于輔助學習的 AI 系統(tǒng)的學習科學的五項原則中，它在每一項上都超越了頂級模型。

Deep Think

通過探索 Gemini 思維能力的邊界，我們開始測試 Deep Think 的增強推理模式，它采用新的研究技術，使模型能夠在回應之前考慮多種假設。

2.5 Pro Deep Think 在目前最難的數(shù)學基準之一 2025 USAMO 上取得了令人印象深刻的分數(shù)。它還在一個針對競賽級編程的難度基準 —— LiveCodeBench 上處于領先地位，并在測試多模態(tài)推理的 MMMU 上取得了 84.0% 的分數(shù)。

由于 2.5 Pro DeepThink 是一項非常前沿的技術，我們正在額外花費時間進行更多的前沿安全評估，并從安全專家那里獲得進一步的反饋。作為其中的一部分，我們將在廣泛發(fā)布之前，通過 Gemini API 將其提供給受信任的測試人員，以獲取他們的反饋。

更優(yōu)秀的 2.5 Flash

2.5 Flash 是我們最高效的主力模型，專為速度和低成本而設計——現(xiàn)在它在很多維度上都更優(yōu)秀了。它在推理、多模態(tài)、代碼和長上下文的關鍵基準測試中都得到了改進，同時效率更高，在我們的評估中使用的令牌數(shù)量減少了 20-30%。

新的 2.5 Flash 現(xiàn)在已在 Google AI Studio 中向開發(fā)者、在 Vertex AI 中向企業(yè)用戶以及在 Gemini 應用中向所有人提供預覽版。6 月初，它將全面上線可用。

Gemini 2.5 新功能

原生音頻輸出和 Live API 的改進

今天，Live API 正在推出視聽輸入和原生音頻輸出對話的預覽版，這樣您就可以直接構建更自然、更富有表現(xiàn)力的 Gemini 對話體驗。

它還允許用戶控制其說話的語調、口音和風格。例如，您可以告訴模型在講故事時使用戲劇性的聲音。該模型現(xiàn)在還支持工具使用，以便能夠代表您進行搜索。

您可以體驗以下一些早期功能:

情感對話 (Affective Dialogue): 模型能夠檢測用戶聲音中的情感并作出適當回應。

主動音頻 (Proactive Audio): 模型將忽略背景對話并知道何時回應。

Live API 中的模型推理能力 (Thinking in the Live API): 模型利用 Gemini 的模型推理能力來支持更復雜的任務。

我們還在發(fā)布 2.5 Pro 和 2.5 Flash 的文本轉語音新預覽版。這些版本首次支持多位說話人，能夠通過原生音頻輸出實現(xiàn)兩種聲音的文本轉語音。

與原生音頻對話一樣，文本轉語音富有表現(xiàn)力，可以捕捉非常微妙的細微差別，例如耳語。它支持超過 24 種語言，并可以在它們之間無縫切換。

這項文本轉語音功能現(xiàn)已在 Gemini API 中可用。

計算機使用功能

我們正在將 Project Mariner 的計算機使用功能引入 Gemini API 和 Vertex AI。像 Automation Anywhere、UiPath、Browserbase、Autotab、The Interaction Company 和 Cartwheel 這樣的公司正在探索其潛力，我們很高興能在今年夏天更廣泛地推出它，供開發(fā)者進行實驗。

更高的安全性

我們還顯著增強了對例如間接提示詞注入攻擊等安全威脅的防護。間接提示詞注入攻擊是指將惡意指令嵌入到 AI 模型檢索的數(shù)據中。我們的新安全方法有助于顯著提高 Gemini 在使用過程中對抗間接提示詞注入攻擊的防護率，使 Gemini 2.5 成為我們迄今為止最安全的模型系列。

增強的開發(fā)者體驗

模型推理摘要

2.5 Pro 和 Flash 現(xiàn)在將在 Gemini API 和 Vertex AI 中包含模型推理摘要。模型推理摘要會將模型的原始模型推理組織成清晰的格式，包含標題、關鍵細節(jié)以及有關模型操作的信息，例如何時使用工具。

我們希望通過更結構化、更精簡的模型推理過程格式，開發(fā)者和用戶會發(fā)現(xiàn)與 Gemini 模型的交互更容易理解和調試。

模型推理預算

我們推出了帶有模型推理預算的 2.5 Flash，通過平衡延遲和質量，讓開發(fā)者更好地控制成本。我們將此功能擴展到 2.5 Pro。這允許您控制模型在響應前用于模型推理的令牌數(shù)量，甚至可以關閉其模型推理能力。

帶有預算功能的 Gemini 2.5 Pro 將在未來幾周內與我們全面發(fā)布的模型一起，正式用于穩(wěn)定生產環(huán)境。

MCP 支持

我們在 Gemini API 中添加了對模型上下文協(xié)議 (Model Context Protocol, MCP) 定義的原生 SDK 支持，以便更輕松地與開源工具集成。我們還在探索部署 MCP 服務器和其他托管工具的方法，讓您更容易構建智能體應用。

我們一直在探索新的方法來改進我們的模型和開發(fā)者體驗，包括使其更高效且性能更強，并持續(xù)響應開發(fā)者的反饋，所以請繼續(xù)提出寶貴意見！同時，我們持續(xù)在基礎研究的廣度和深度上加倍投入——包括推動 Gemini 能力的邊界。更多內容即將推出。