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.[1]
| Benchmark | Description | Gemini 2.5 Flash Preview (09-2025) Thinking |
Gemini 2.5 Flash GA Thinking |
Gemini 2.5 Flash Preview (04-17) Thinking |
Gemini 2.0 Flash Non-thinking |
OpenAI o4-mini | Claude 3.7 Sonnet (64K Extended thinking) |
Grok 3 Beta (Extended thinking) |
DeepSeek R1 | |
|---|---|---|---|---|---|---|---|---|---|---|
| Humanity’s Last Exam (no tools) | Reasoning & Knowledge | 13.2% | 11.0% | 12.1% | 5.1% | 14.3% | 8.9% | — | 8.6%* | |
| GPQA Diamond | Science | single attempt (pass@1) multiple attempts |
80.8% — |
82.8% — |
78.3% — |
60.1% — |
81.4% — |
78.2% 84.8% |
80.2% 84.6% |
71.5% — |
| AIME 2025 | Mathematics | single attempt (pass@1) multiple attempts |
75.6% — |
72.0% — |
78.0% — |
27.5% — |
92.7% — |
49.5% — |
77.3% 93.3% |
70.0% — |
| LiveCodeBench v5 | Code generation | single attempt (pass@1) multiple attempts |
71.7% — |
63.9% — |
63.5% — |
34.5% — |
— — |
— — |
70.6% 79.4% |
64.3% — |
| Aider Polyglot | Code editing | whole / diff | — | 61.9% / 56.7% (whole/diff) |
51.1% / 44.2% (whole/diff) |
22.2% (whole) | 68.9% / 58.2% (whole/diff) |
64.9% (diff) | 53.3% (diff) | 56.9% (diff) |
| SWE-Bench Verified | Agentic coding | 54.0% | 60.4% | — | — | 68.1% | 70.3% | — | 49.2% | |
| SimpleQA | Factuality | 25.3% | 26.9% | 29.7% | 29.9% | — | — | 43.6% | 30.1% | |
| SimpleQA Verified | Factuality | 27.8% | — | — | — | — | — | — | — | |
| FACTS Grounding | Factuality | 87.5% | 85.3% | — | 84.6% | 62.1% | 78.8% | 74.8% | 56.8% | |
| MMMU | Visual reasoning | single attempt (pass@1) multiple attempts |
80.3% — |
79.7% — |
76.7% — |
71.7% — |
81.6% — |
75.0% — |
76.0% 78.0% |
no MM support no MM support |
| Vibe-Eval (Reka) | Image understanding | 62.0% | 65.4% | 62.0% | 56.4% | — | — | — | no MM support | |
| MRCR v2 | Long context | 128k (average) 1M (pointwise) |
— — |
74% 32% |
— — |
36% 6% |
49% — |
— — |
54% — |
45% — |
| MRCR v2 (8-needle)* | Long context | 128k (average) 1M (pointwise) |
52.4% 16.3% |
— — |
— — |
— — |
— — |
— — |
— — |
— — |
| Global MMLU (Lite) | Multilingual performance | 87.9% | 88.4% | 88.4% | 83.4% | — | — | — | — |
- * Оценка выполнена только на текстовых задачах (без изображений).
См. также
- ↑ Google DeepMind. Gemini 2.5 Flash — Model Card. Обновление: декабрь 2025 года. С. 3–6.