在科技巨头谷歌的最新动作中，其倾力打造的Gemini 2.5大语言模型正式亮相，标榜为迄今为止谷歌“智慧之巅”的AI成果。这款模型在逻辑推理、数学计算及科学任务上的表现，据称已超越OpenAI、Anthropic、xAI及DeepSeek等竞争对手的同类产品。
尽管谷歌方面坦诚，Gemini 2.5 Pro版本与OpenAI的o1-pro相比，仍存在一定的差距，但这并未削弱Gemini 2.5的光芒。该模型并非依赖外部图像处理能力，而是采用了一种创新的统一架构，通过共享注意力机制，实现了图像、文本、音频及代码的协同处理，展现了其全面的处理能力。
Gemini 2.5 Pro作为一款全新的思考型AI模型，其逻辑推理、代码生成及复杂任务处理能力得到了显著提升。目前，该模型已支持100万tokens的上下文识别，并计划在未来扩展至200万tokens，这将使其在撰写报告等任务中展现出惊人的实力。从已曝光的演示来看，Gemini 2.5 Pro的生成能力确实令人眼前一亮。
谷歌已通过其AI Studio平台和Gemini app，向Gemini Advanced订阅用户开放了Gemini 2.5的试用。然而，首批用户也发现了一些局限性，如模型目前无法联网，且不支持Deep Research和Canvas工具。但谷歌强调，这只是Gemini 2.5的初步版本，未来还将推出更多升级版本，并逐步将模型功能集成到谷歌的搜索、Gmail、Docs等生态系统中。关于定价细节，谷歌表示将在后续逐步公布。
与此同时，OpenAI也在积极行动，为ChatGPT Plus和Pro用户推送了内置于GPT-4o的图像生成模型。这款新模型支持多轮对话中的图像修改和编辑，上下文理解能力显著增强。用户可以要求GPT-4o保留图像的某些元素，如帽子或服饰，同时修改其他部分。每个物品的属性、关系都可以被独立控制，为用户提供了前所未有的创作自由度。
例如，用户要求GPT-4o创建一张两个20岁左右女巫阅读路标的照片级真实感图像，其中一位女巫拥有灰白渐变发色，另一位则拥有长波浪红棕色头发。随后，用户还可以在上下文中修改路牌上的时间、注释，甚至让女巫卷起魔毯、微倾身体，调整街边汽车、路标及女巫的位置等细节。这种多模态、推理及上下文理解能力的结合，无论是谷歌还是OpenAI，都在通过强大的性能和开放的体验策略，为用户带来更多的想象空间。
