Gemini 2.5-Pro 评测深度分析

Gemini 2.5-Pro 当前已收录的代表性评测结果包括 MATH-500（1 / 46，得分 98.80）、Aider-Polyglot（4 / 59，得分 83.10）、MMLU-Pro（23 / 175，得分 86）。并附有 2 个数据来源链接供参考。

Gemini 2.5 Pro是谷歌发布的Gemini 2.5系列模型中最强的一个。

评测结果

Gemini 2.5-Pro

评测结果

综合知识考试

共 2 项评测

评测名称 / 模式

得分

排名/总数

MMLU-Pro

常规模式

23 / 175

HLE

开启思考

21.60

149 / 235

抽象归纳与泛化

共 2 项评测

评测名称 / 模式

得分

排名/总数

ARC-AGI-1

开启思考

158 / 193

ARC-AGI-2

开启思考

4.86

140 / 181

科学知识与推理

共 2 项评测

评测名称 / 模式

得分

排名/总数

GPQA Diamond

开启思考

86.40

73 / 253

CritPt

开启思考

2.60

125 / 204

事实可靠性与幻觉

共 1 项评测

评测名称 / 模式

得分

排名/总数

SimpleQA

常规模式

11 / 46

仓库修复与多文件工程

共 1 项评测

评测名称 / 模式

得分

排名/总数

SWE-bench Verified

开启思考

67.20

74 / 116

数学

共 7 项评测

评测名称 / 模式

得分

排名/总数

MATH-500

常规模式

98.80

1 / 46

AIME 2024

常规模式

9 / 61

AIME2025

开启思考

48 / 110

IMO-ProofBench

开启思考

55.20

3 / 16

IMO-ProofBench Advanced

开启思考

17.60

14 / 24

FrontierMath

常规模式

23 / 60

FrontierMath - Tier 4

常规模式

2.10

56 / 80

算法与竞赛编程

共 4 项评测

评测名称 / 模式

得分

排名/总数

CodeClash

常规模式工具

1125

6 / 8

LiveCodeBench

常规模式

77.10

37 / 125

IOI 2024 (Vals v1)

开启思考工具

2 / 10

IOI 2025 (Vals v1)

开启思考工具

15.20

3 / 9

写作与创意表达

共 1 项评测

评测名称 / 模式

得分

排名/总数

Creative Writing

常规模式

1421.20

62 / 110

自主开发与终端任务

共 5 项评测

评测名称 / 模式

得分

排名/总数

Aider-Polyglot

32K

83.10

4 / 59

Aider-Polyglot

开启思考

79.10

8 / 59

Terminal Bench 2.0

开启思考工具

32.60

48 / 48

Terminal-Bench

开启思考

25.30

28 / 35

Terminal Bench Hard

开启思考工具

128 / 244

图像感知与视觉推理

共 3 项评测

评测名称 / 模式

得分

排名/总数

MMMU

开启思考

13 / 74

MMMU-Pro

开启思考

74.90

92 / 229

VPCT

常规模式

46.40

12 / 24

常识推理

共 1 项评测

评测名称 / 模式

得分

排名/总数

SimpleBench

开启思考

62.40

28 / 96

指令与格式遵循

共 1 项评测

评测名称 / 模式

得分

排名/总数

IF Bench

开启思考工具

30 / 31

事实查找与深度检索

共 1 项评测

评测名称 / 模式

得分

排名/总数

BrowseComp

开启思考工具

7.80

57 / 58

跨能力综合测试

共 1 项评测

评测名称 / 模式

得分

排名/总数

LiveBench

思考水平·高

58.33

78 / 117

跨行业工作评估

共 1 项评测

评测名称 / 模式

得分

排名/总数

GDPval-AA

开启思考

15 / 15

科学计算与科研编程

共 1 项评测

评测名称 / 模式

得分

排名/总数

SciCode

开启思考

46.30

87 / 134

客服与业务流程

共 2 项评测

评测名称 / 模式

得分

排名/总数

τ³-Banking

开启思考工具

9.70

134 / 167

τ³-Banking

思考水平·高工具

13.66

117 / 167

维护、优化与工程管理

共 1 项评测

评测名称 / 模式

得分

排名/总数

GSO

常规模式工具

3.92

18 / 21

跨长文理解与整合

共 1 项评测

评测名称 / 模式

得分

排名/总数

Fiction.liveBench

常规模式

91.70

5 / 16

能力边界度量

共 1 项评测

评测名称 / 模式

得分

排名/总数

METR Time Horizons v1.1

常规模式工具

38.73

19 / 22

文档与图表理解

共 1 项评测

评测名称 / 模式

得分

排名/总数

GDP.pdf

开启思考

10.20

85 / 122

与其他模型对比