Gemini 2.0 Flash Thinking 更新：理科跑分刷新，支持代码执行

Google 的推理模型又刷了一波新成绩。

Google DeepMind 首席执行官 Demis Hassabis 在 X 上公布了 Gemini 2.0 Flash Thinking 模型的最新更新进展。相比去年 12 月首次发布，新版本在数学基准 AIME 上拿到了 73.3%，在科学基准 GPQA Diamond 上拿到了 74.2%。

加上代码执行，还修了「想对答错」的毛病

除了理科跑分提升，这次更新还直接补齐了代码执行能力，并提供 1M token 的上下文窗口。

另一个很有意思的细节是，新版本降低了思考过程与最终答案相互矛盾的概率。很多人用推理模型时常遇到模型草稿纸上算对了、最后输出却写错的尴尬情况，这次更新专门针对这个问题做了改进。

Hassabis 表示，从 AlphaGo 开始，团队探索这类规划系统已经超过十年，现在把这些思路和前沿基础模型结合，演进速度非常快。

为什么重要

推理模型光卷基准测试还不够，大家更在乎日常到底好不好用。减少思考与答案之间的矛盾，可以说是打中了当前思考模型的一大痛点，让输出更可信。

再加上原生代码执行和 1M 的长上下文，它面对复杂数理分析和长文本推导时会顺手很多。我们认为，Google 把这类规划推理能力塞进定位更轻快的 Flash 系列里，看起来是在有意压低复杂推理的使用门槛，逼着同行把高阶思维链做得更平价、更快速。