Googleの「Gemini 2.0 Flash Thinking」が更新、数学・科学ベンチマークで高スコア

Googleの推論モデルが理数系ベンチマークで新たな記録を出しました。

Google DeepMindのCEOであるDemis Hassabis氏がXで明かしたところによると、Gemini 2.0 Flash Thinkingの最新版が数学ベンチマークのAIMEで73.3％、科学ベンチマークのGPQA Diamondで74.2％を記録しました。昨年12月の初回リリースから急速にスコアを伸ばしています。

コード実行に対応し、思考と回答の矛盾を抑制

今回のアップデートでは性能向上だけでなく、コード実行機能と100万トークンのコンテキストウィンドウが追加されました。

さらに実用面で大きいのが、思考プロセスと最終的な回答のあいだに生じる矛盾の確率が下がった点です。推論モデルでは思考ログで正しい筋道を立てていながら、出力直前で間違った結論を出す現象がよく見られますが、そこに手が入りました。

Hassabis氏は、AlphaGoをはじめとするプランニングシステムの開発に10年以上取り組んできた知見が、現在の基底モデルとうまく融合し始めていると述べています。

なぜ重要か

思考ログと最終回答の食い違いは、推論AIを実務に組み込む際の大きな障壁でした。ここを具体的に改善してきたのは賢いアプローチです。

コード実行と100万トークンの長大な作業領域がFlashモデルに載ったことで、複雑な理数分析や長文推論のハードルは一段と下がります。重厚で高価なフロンティアモデルだけでなく、軽快なモデルにも高度な推論が素早く降りてくる流れが加速しそうです。