首页 资讯 正文

谷歌新模型2.5 Pro霸榜AI竞技场,开发者评价两极分化

体育正文 135 0

谷歌新模型2.5 Pro霸榜AI竞技场,开发者评价两极分化

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大模型(móxíng)Gemini 2.5 Pro(0605),并表示这会在几周后成为(chéngwéi)正式的稳定版本,适用于企业级应用(yìngyòng)。 Gemini 2.5 Pro是谷歌(gǔgē)旗舰模型系列(xìliè),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(bǎnběn)各(gè)方面的分数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,不能完全(wánquán)相信榜单,要看实际体验和绝大多数开发者的(de)选择(xuǎnzé),此前Gemini的模型表现各有(yǒu)优劣,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(guānfāng)博客,最新2.5 Pro 在多项AI性能基准测试(cèshì)中取得了更高的(de)分数,在 LMArena上Elo分数(衡量模型相对(xiāngduì)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,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(biānchéng)基准(jīzhǔn)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(le)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(bǐ)OpenAI的o3多出 1.3个百分点。 在(zài)谷歌模型发布后,业界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(zibǎng)单位列第一,包括文本、视觉、数学(shùxué)、创意等。 不过,“高分低能”的(de)(de)产品此前也有过,不乏开发者(kāifāzhě)对这个榜单存疑。例如,从编程体验上来说(láishuō),Anthropic的Claude系列模型是公认较为好用的基座模型,此次在榜单的成绩并不突出。有海外网友(wǎngyǒu)表示,2.5 Pro新版的表现确实很好,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完成基础的任务(rènwù),但对Agent的能力(nénglì)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,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(lākāijùlí)。而谷歌(érgǔgē)在Agent方向还没怎么发力。 一位开发者用C++编程语言较多(duō),他对记者(jìzhě)表示,Claude比Gemini强太多,“任何Claude和o3无法解决的(de)问题,Gemini从没有一个能解决;但反之,Gemini 写不(bù)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模态,而Claude前端更优(gèngyōu),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(de)开发者体验并不相同,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,发现代码写得(dé)比Claude 3.7好,生成的网页更漂亮(piàoliàng),写出来的文案也更好。 目前(mùqián)看起来,在不同(bùtóng)的生产场景和个性化工作中,各个模型的体验和口碑并不相同。 大模型(móxíng)(móxíng)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,使用成本也是开发者较为看重的(de)一个(yígè)因素(yīnsù),目前来看,Gemini比OpenAI的 o3、Claude 4 Opus和Grok 3都(dōu)要更有性价比,但仍然是国内DeepSeek的R1最便宜。 Gemini 2.5 pro的输入(shūrù)价格1.25美元,输出为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(měi)百万Tokens ,Claude 4 Opus价格更高。针对(zhēnduì)此次更新,谷歌表示新模型引入了“思考预算”功能,能让开发者更好地控制(kòngzhì)成本和延迟。 榜单分数是起点,真正的较量,在无数开发者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(yíngde)竞争的主动权。 (本文来自第一财经(cáijīng))
谷歌新模型2.5 Pro霸榜AI竞技场,开发者评价两极分化

欢迎 发表评论:

评论列表

暂时没有评论

暂无评论,快抢沙发吧~