Google 升級 Gemini 2.5：新增 Deep Think 推理與原生語音輸出

以前大家總覺得 Google 的大模型是在追趕，但這次 I/O 大會拿出的 Gemini 2.5，明顯帶著一種要把場子全找回來的狠勁。

在 5 月 20 日的 Google I/O 上，Google 集中更新了 Gemini 2.5 系列。除了在各項基準上刷榜，這次最惹人注目的，是把原生語音、電腦操控和深度思考等一整套能力，直接塞進了開發套件裡。

既能算奧數，還能看懂螢幕操控電腦

先看頂配的 Gemini 2.5 Pro。根據官方公佈的資料，它在 WebDev Arena 編碼榜拿下了 1415 的 ELO 分數，登頂榜首，在綜合盲測榜 LMArena 上也全面領跑。配合 100 萬 token 的上下文視窗，它在長影片和長文本理解上依舊壓制全場。

這次最硬核的底牌是一個叫 Deep Think 的增強推理模式。和常規推理不同，它能在給出答案前同時推演多種假設。在 2025 年的美國數學奧林匹克（USAMO）和 LiveCodeBench 競賽級程式設計評測中，這項技術都拿下了頂尖成績，多模態推理榜 MMMU 跑到了 84.0%。不過因為能力邊界太前沿，Google 表示目前還在做安全評估，暫時只向可信測試者開放。

另一個重頭戲是代號 Project Mariner 的電腦操控能力（Computer Use）。這項能力正式接入了 Gemini API 和 Vertex AI。UiPath、Automation Anywhere 和 Browserbase 等自動化廠商已經開始接入，預計今年夏天向更多開發者開放。

語音能聽情緒，跑起來還省了三成 Token

幹髒活累活的輕量主力 2.5 Flash 也沒閒著。新版 2.5 Flash 在推理、程式碼和多模態能力提升的同時，消耗的 token 反而減少了 20% 到 30%。現在所有人都能在 Gemini 應用裡用上它，6 月初將在 API 和 Vertex AI 轉為正式商用。

在互動體驗上，Gemini 2.5 帶來了原生音訊輸出（Native Audio Out）。通過升級後的 Live API，Gemini 能根據提示詞切換戲劇腔或特定口音，甚至具備情緒對話能力，能聽出使用者聲音裡的情緒並做出反應。

更細節的是，它學會了主動過濾背景雜音，只有對它說話時才接話。全新的文本轉語音介面還首創了雙人多角色對話合成，連耳語這種細微語氣都能還原，支援超過 24 種語言。

針對開發者關心的安全和成本，Google 也有動作。不僅提升了工具呼叫時防範間接提示詞注入（indirect prompt injection）的能力，還正式支援了 Anthropic 主導的開源標準 MCP（Model Context Protocol）。同時，思考預算（Thinking budgets）也下放給了 2.5 Pro，開發者可以自由限制模型思考消耗的 token 甚至直接關閉思考，避免賬單失控。

為什麼重要

我們認為，Google 這次最聰明的舉動，是終於放下了巨頭架子，在生態策略上變得極其實用。

最明顯的訊號就是主動原生支援 MCP。MCP 本是競爭對手倡導的協議，但 Google 沒有自己關起門來另搞一套孤島標準，而是選擇直接擁抱開源工具生態。對開發者來說，這意味著之前寫好的代理工具幾乎零成本就能遷移到 Gemini 上，嘗試門檻大大降低。

對行業而言，這場軍備競賽正從純文字推理迅速外溢到系統接管和多模態互動。當模型不僅能在 WebDev 上寫程式碼，還能通過 Computer Use 跨軟體替你點滑鼠、填表單，AI Agent 的落地速度會被逼著大幅加快。

不過隱患也同樣明顯。越是深入作業系統和外部工具，安全風險就越呈指數級放大。儘管 Google 強調自己大幅加固了間接提示詞注入的防禦，但只要模型開始讀螢幕、調介面、代行操作，就很難徹底排除被網頁惡意指令帶偏的可能。

目前來看，Gemini 月活已經跨過 4 億大關，逼近 ChatGPT 的 6 億。如果你正在構建需要長上下文、高性價比並發或複雜多模態語音的應用，現在的 Gemini 2.5 Flash 和 Pro 絕對值得立刻接入測試。