Google 升级 Gemini 2.5：新增 Deep Think 推理与原生语音输出

以前大家总觉得 Google 的大模型是在追赶，但这次 I/O 大会拿出的 Gemini 2.5，明显带着一种要把场子全找回来的狠劲。

在 5 月 20 日的 Google I/O 上，Google 集中更新了 Gemini 2.5 系列。除了在各项基准上刷榜，这次最惹人注目的，是把原生语音、电脑操控和深度思考等一整套能力，直接塞进了开发套件里。

既能算奥数，还能看懂屏幕操控电脑

先看顶配的 Gemini 2.5 Pro。根据官方公布的数据，它在 WebDev Arena 编码榜拿下了 1415 的 ELO 分数，登顶榜首，在综合盲测榜 LMArena 上也全面领跑。配合 100 万 token 的上下文窗口，它在长视频和长文本理解上依旧压制全场。

这次最硬核的底牌是一个叫 Deep Think 的增强推理模式。和常规推理不同，它能在给出答案前同时推演多种假设。在 2025 年的美国数学奥林匹克（USAMO）和 LiveCodeBench 竞赛级编程评测中，这项技术都拿下了顶尖成绩，多模态推理榜 MMMU 跑到了 84.0%。不过因为能力边界太前沿，Google 表示目前还在做安全评估，暂时只向可信测试者开放。

另一个重头戏是代号 Project Mariner 的电脑操控能力（Computer Use）。这项能力正式接入了 Gemini API 和 Vertex AI。UiPath、Automation Anywhere 和 Browserbase 等自动化厂商已经开始接入，预计今年夏天向更多开发者开放。

语音能听情绪，跑起来还省了三成 Token

干脏活累活的轻量主力 2.5 Flash 也没闲着。新版 2.5 Flash 在推理、代码和多模态能力提升的同时，消耗的 token 反而减少了 20% 到 30%。现在所有人都能在 Gemini 应用里用上它，6 月初将在 API 和 Vertex AI 转为正式商用。

在交互体验上，Gemini 2.5 带来了原生音频输出（Native Audio Out）。通过升级后的 Live API，Gemini 能根据提示词切换戏剧腔或特定口音，甚至具备情绪对话能力，能听出用户声音里的情绪并做出反应。

更细节的是，它学会了主动过滤背景杂音，只有对它说话时才接话。全新的文本转语音接口还首创了双人多角色对话合成，连耳语这种细微语气都能还原，支持超过 24 种语言。

针对开发者关心的安全和成本，Google 也有动作。不仅提升了工具调用时防范间接提示词注入（indirect prompt injection）的能力，还正式支持了 Anthropic 主导的开源标准 MCP（Model Context Protocol）。同时，思考预算（Thinking budgets）也下放给了 2.5 Pro，开发者可以自由限制模型思考消耗的 token 甚至直接关闭思考，避免账单失控。

为什么重要

我们认为，Google 这次最聪明的举动，是终于放下了巨头架子，在生态策略上变得极其实用。

最明显的信号就是主动原生支持 MCP。MCP 本是竞争对手倡导的协议，但 Google 没有自己关起门来另搞一套孤岛标准，而是选择直接拥抱开源工具生态。对开发者来说，这意味着之前写好的代理工具几乎零成本就能迁移到 Gemini 上，尝试门槛大大降低。

对行业而言，这场军备竞赛正从纯文字推理迅速外溢到系统接管和多模态交互。当模型不仅能在 WebDev 上写代码，还能通过 Computer Use 跨软件替你点鼠标、填表单，AI Agent 的落地速度会被逼着大幅加快。

不过隐患也同样明显。越是深入操作系统和外部工具，安全风险就越呈指数级放大。尽管 Google 强调自己大幅加固了间接提示词注入的防御，但只要模型开始读屏幕、调接口、代行操作，就很难彻底排除被网页恶意指令带偏的可能。

目前来看，Gemini 月活已经跨过 4 亿大关，逼近 ChatGPT 的 6 亿。如果你正在构建需要长上下文、高性价比并发或复杂多模态语音的应用，现在的 Gemini 2.5 Flash 和 Pro 绝对值得立刻接入测试。