---
title: "Gemini 2.5 Flash"
source: "https://systems-analysis.info/wiki/Gemini_2.5_Flash"
wiki: "systems-analysis.info/wiki"
article: "Gemini_2.5_Flash"
language: "ru"
categories:
  - "Категория:Gemini"
  - "Категория:Google"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Семейства LLM"
revision_id: 588
wiki_created_at: 2026-11-11T00:39:15Z
wiki_modified_at: 2026-11-11T01:34:24Z
downloaded_at: 2026-11-11T01:38:42Z
---

# Gemini 2.5 Flash

**Gemini 2.5 Flash** — мультимодальная большая языковая модель (LMM) компании Google DeepMind из семейства Gemini 2.5, первая полностью гибридная модель рассуждений Google, в которой формирование внутренних рассуждений («thinking») может отключаться и ограничиваться настраиваемым бюджетом токенов в обмен на снижение стоимости и задержки. Модель была представлена и выпущена в предварительной версии 17 апреля 2025 года в Google AI Studio, Vertex AI и приложении Gemini, а её стабильная общедоступная версия вышла 17 июня 2025 года.

## Оценка

Gemini 2.5 Flash оценивалась по широкому набору тестов (бенчмарков), охватывающих рассуждение, научные знания, математику, генерацию и редактирование кода, агентное программирование, фактичность, мультимодальные возможности, работу с длинным контекстом и многоязычную обработку. Все результаты Gemini получены в режиме pass@1 через AI Studio API со стандартными настройками сэмплирования; результаты сторонних моделей взяты из отчётов их разработчиков, если не указано иное. Возможность генерации изображений (Gemini 2.5 Flash Image) оценивалась отдельно — соответствующие таблицы приведены ниже.

Согласно Model Card Google DeepMind, Gemini 2.5 Flash и её предварительная версия (Preview 09-2025) показали сильные результаты в ряде бенчмарков. Приведённые ниже результаты актуальны по состоянию на май и сентябрь 2025 года.<sup>[\[1\]](https://systems-analysis.info/wiki/Gemini_2.5_Flash#cite_note-1)</sup>

<table class="wikitable" style="text-align:center;">
<colgroup>
<col style="width: 9%" />
<col style="width: 9%" />
<col style="width: 9%" />
<col style="width: 9%" />
<col style="width: 9%" />
<col style="width: 9%" />
<col style="width: 9%" />
<col style="width: 9%" />
<col style="width: 9%" />
<col style="width: 9%" />
<col style="width: 9%" />
</colgroup>
<thead>
<tr class="header">
<th style="text-align: left;">Benchmark</th>
<th>Description</th>
<th></th>
<th>Gemini 2.5 Flash Preview<br />
(09-2025) Thinking</th>
<th>Gemini 2.5 Flash<br />
GA Thinking</th>
<th>Gemini 2.5 Flash Preview<br />
(04-17) Thinking</th>
<th>Gemini 2.0 Flash<br />
Non-thinking</th>
<th>OpenAI o4-mini</th>
<th>Claude 3.7 Sonnet<br />
(64K Extended thinking)</th>
<th>Grok 3 Beta<br />
(Extended thinking)</th>
<th>DeepSeek R1</th>
</tr>
</thead>
<tbody>
<tr class="odd">
<td style="text-align: left;"><a href="https://systems-analysis.info/wiki/Humanity%27s_Last_Exam" title="Humanity&#39;s Last Exam">Humanity’s Last Exam</a> (no tools)</td>
<td>Reasoning &amp; Knowledge</td>
<td></td>
<td style="background: #e6f3ff">13.2%</td>
<td>11.0%</td>
<td>12.1%</td>
<td>5.1%</td>
<td><strong>14.3%</strong></td>
<td>8.9%</td>
<td>—</td>
<td>8.6%*</td>
</tr>
<tr class="even">
<td style="text-align: left;">GPQA Diamond</td>
<td>Science</td>
<td>single attempt (pass@1)<br />
multiple attempts</td>
<td style="background: #e6f3ff">80.8%<br />
—</td>
<td><strong>82.8%</strong><br />
—</td>
<td>78.3%<br />
—</td>
<td>60.1%<br />
—</td>
<td>81.4%<br />
—</td>
<td>78.2%<br />
<strong>84.8%</strong></td>
<td>80.2%<br />
84.6%</td>
<td>71.5%<br />
—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">AIME 2025</td>
<td>Mathematics</td>
<td>single attempt (pass@1)<br />
multiple attempts</td>
<td style="background: #e6f3ff">75.6%<br />
—</td>
<td>72.0%<br />
—</td>
<td>78.0%<br />
—</td>
<td>27.5%<br />
—</td>
<td><strong>92.7%</strong><br />
—</td>
<td>49.5%<br />
—</td>
<td>77.3%<br />
<strong>93.3%</strong></td>
<td>70.0%<br />
—</td>
</tr>
<tr class="even">
<td style="text-align: left;">LiveCodeBench v5</td>
<td>Code generation</td>
<td>single attempt (pass@1)<br />
multiple attempts</td>
<td style="background: #e6f3ff"><strong>71.7%</strong><br />
—</td>
<td>63.9%<br />
—</td>
<td>63.5%<br />
—</td>
<td>34.5%<br />
—</td>
<td>—<br />
—</td>
<td>—<br />
—</td>
<td>70.6%<br />
<strong>79.4%</strong></td>
<td>64.3%<br />
—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Aider Polyglot</td>
<td>Code editing</td>
<td>whole / diff</td>
<td style="background: #e6f3ff">—</td>
<td>61.9% / 56.7%<br />
(whole/diff)</td>
<td>51.1% / 44.2%<br />
(whole/diff)</td>
<td>22.2% (whole)</td>
<td><strong>68.9%</strong> / <strong>58.2%</strong><br />
(whole/diff)</td>
<td>64.9% (diff)</td>
<td>53.3% (diff)</td>
<td>56.9% (diff)</td>
</tr>
<tr class="even">
<td style="text-align: left;">SWE-Bench Verified</td>
<td>Agentic coding</td>
<td></td>
<td style="background: #e6f3ff">54.0%</td>
<td>60.4%</td>
<td>—</td>
<td>—</td>
<td>68.1%</td>
<td><strong>70.3%</strong></td>
<td>—</td>
<td>49.2%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">SimpleQA</td>
<td>Factuality</td>
<td></td>
<td style="background: #e6f3ff">25.3%</td>
<td>26.9%</td>
<td>29.7%</td>
<td>29.9%</td>
<td>—</td>
<td>—</td>
<td><strong>43.6%</strong></td>
<td>30.1%</td>
</tr>
<tr class="even">
<td style="text-align: left;">SimpleQA Verified</td>
<td>Factuality</td>
<td></td>
<td style="background: #e6f3ff"><strong>27.8%</strong></td>
<td>—</td>
<td>—</td>
<td>—</td>
<td>—</td>
<td>—</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">FACTS Grounding</td>
<td>Factuality</td>
<td></td>
<td style="background: #e6f3ff"><strong>87.5%</strong></td>
<td>85.3%</td>
<td>—</td>
<td>84.6%</td>
<td>62.1%</td>
<td>78.8%</td>
<td>74.8%</td>
<td>56.8%</td>
</tr>
<tr class="even">
<td style="text-align: left;">MMMU</td>
<td>Visual reasoning</td>
<td>single attempt (pass@1)<br />
multiple attempts</td>
<td style="background: #e6f3ff">80.3%<br />
—</td>
<td>79.7%<br />
—</td>
<td>76.7%<br />
—</td>
<td>71.7%<br />
—</td>
<td><strong>81.6%</strong><br />
—</td>
<td>75.0%<br />
—</td>
<td>76.0%<br />
<strong>78.0%</strong></td>
<td>no MM support<br />
no MM support</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Vibe-Eval (Reka)</td>
<td>Image understanding</td>
<td></td>
<td style="background: #e6f3ff">62.0%</td>
<td><strong>65.4%</strong></td>
<td>62.0%</td>
<td>56.4%</td>
<td>—</td>
<td>—</td>
<td>—</td>
<td>no MM support</td>
</tr>
<tr class="even">
<td style="text-align: left;">MRCR v2</td>
<td>Long context</td>
<td>128k (average)<br />
1M (pointwise)</td>
<td style="background: #e6f3ff">—<br />
—</td>
<td>74%<br />
<strong>32%</strong></td>
<td>—<br />
—</td>
<td>36%<br />
6%</td>
<td>49%<br />
—</td>
<td>—<br />
—</td>
<td><strong>54%</strong><br />
—</td>
<td>45%<br />
—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">MRCR v2 (8-needle)*</td>
<td>Long context</td>
<td>128k (average)<br />
1M (pointwise)</td>
<td style="background: #e6f3ff"><strong>52.4%</strong><br />
<strong>16.3%</strong></td>
<td>—<br />
—</td>
<td>—<br />
—</td>
<td>—<br />
—</td>
<td>—<br />
—</td>
<td>—<br />
—</td>
<td>—<br />
—</td>
<td>—<br />
—</td>
</tr>
<tr class="even">
<td style="text-align: left;">Global MMLU (Lite)</td>
<td>Multilingual performance</td>
<td></td>
<td style="background: #e6f3ff">87.9%</td>
<td><strong>88.4%</strong></td>
<td><strong>88.4%</strong></td>
<td>83.4%</td>
<td>—</td>
<td>—</td>
<td>—</td>
<td>—</td>
</tr>
</tbody>
</table>

*\* Оценка выполнена только на текстовых задачах (без изображений).*

## См. также

- [Gemini 2.5 Pro](https://systems-analysis.info/wiki/Gemini_2.5_Pro "Gemini 2.5 Pro")
- [Gemini 3 Flash](https://systems-analysis.info/wiki/Gemini_3_Flash "Gemini 3 Flash")

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/wiki/Gemini_2.5_Flash#cite_ref-1) Google DeepMind. *Gemini 2.5 Flash — Model Card*. Обновление: декабрь 2025 года. С. 3–6.</span>