在Google I/O 2025 大会上，Google 宣布了 Gemini 2.5 Pro 和 Flash 的功能增强，同时引入了多个突破性能力，包括：

  • 高阶推理模式 Deep Think
  • 原生音频交互能力
  • 多语言语音生成
  • 电脑操作能力（Project Mariner）
  • 安全性与开发体验优化

Gemini 2.5 Pro：全面升级的通用大模型

✅ 更强的智能表现

  • 学术与实用能力大幅提升：

    • 在 WebDev Arena 排行中拿下最高 ELO 评分 1415（网页开发任务）；
    • 在 LMArena 的人类偏好评分中，多个维度居首；

  • 100 万 token 上下文窗口：

    • 支持复杂多轮对话、长篇文档处理、视频逐帧理解。

📚 教育场景的首选模型

  • 集成 LearnLM（由教育专家协作训练）：

    • 更擅长解释知识、引导学习；
    • 在教学对话、人类评测中，超越 GPT-4 与 Claude 等竞品。
    • 成为当前最适合学习与教学场景的通用模型之一。

Deep Think：实验性“深度思维”模式

🧠 高阶逻辑能力

  • Deep Think 是 Gemini 2.5 Pro 的一项新实验特性，支持模型“多假设并行推理”，在回答前模拟多路径思考；

  • 目前已在以下高难任务中表现优异：

    • USAMO 2025（美国数学奥林匹克）：领先成绩；
    • LiveCodeBench（代码能力竞赛任务）：排名第一；
    • MMMU（多模态推理）：准确率达 84.0%。

⚠️ 当前状态

  • 仅开放给“受信开发者”（trusted testers）；
  • 正在接受更严格的安全评估，预计未来逐步放开。

Gemini 2.5 Flash：轻量高效的“AI 工具马达”

⚡ 更快、更省、更聪明

  • 设计目标：低延迟 + 高吞吐量 + 低成本；
  • 在推理、多模态处理、长文本任务中全面提速；
  • Token 使用减少 20–30%，显著降低推理成本。

📦 使用渠道

  • 现已通过 Google AI Studio、Vertex AI 及 Gemini App 向开发者与公众开放。

原生音频能力：对话更自然、情感更丰富

🔊 新功能亮点

  • Native Audio Output：

    • 支持自然语音生成，可控制语调、情绪、说话风格；
    • 适配 24+ 种语言，支持多语种无缝切换；

  • Text-to-Speech（TTS）升级：

    • 可生成双角色对话语音，表现轻声细语、情绪起伏；

  • Live API 扩展：

    • Affective Dialogue：识别用户语气情绪并匹配反馈；
    • Proactive Audio：自动屏蔽背景杂音，智能判断是否回应。

Project Mariner：让 Gemini 控制你的电脑

🖱️ 关键能力

  • 引入“模拟人类操作电脑”的能力：点击、填写表单、网页交互；

  • 已与以下企业展开合作测试：

    • Automation Anywhere、UiPath、Browserbase 等；
  • 将于夏季向开发者开放更多 API 测试权限。

安全性大升级

🛡️ 防御新型攻击

  • Gemini 2.5 显著加强对“间接提示注入攻击（Indirect Prompt Injection）”的防护；
  • 通过新的检验机制提升系统在工具使用场景中的鲁棒性；
  • 目前为 Google 最安全的模型版本。

Google还在 Gemini API 中添加了对模型上下文协议 (MCP) 定义的原生 SDK 支持，以便更轻松地与开源工具集成。