Gemini 2.5 Pro编程实测：Rust重构吊打Claude，前端却翻车

Google最新发布的Gemini 2.5 Pro被不少开发者称为"用过最好的编程AI"。一位海外技术博主对它进行了多维度的编程实测——从像素风小游戏到终极井字棋，从落地页开发到Rust代码重构，结果既有惊喜也有翻车。

本文将逐一拆解这些测试结果，帮你判断Gemini 2.5 Pro的编程能力到底几斤几两，以及它在哪些场景下值得用、哪些场景下不如Claude。

游戏开发实测：像素风小游戏与终极井字棋

Kitten Cannon克隆：三次提示搞定

博主首先挑战了一个经典的发射类小游戏——类似Kitten Cannon的像素风游戏，要求使用P5.js实现。P5.js是基于Processing语言理念构建的JavaScript创意编程库，专为艺术家、设计师和编程初学者设计，提供了简洁的API来操作Canvas进行2D/3D图形渲染、动画和交互。它在独立游戏开发和创意编码社区中非常流行，因为开发者可以用极少的代码快速实现物理模拟、粒子效果和碰撞检测等游戏核心机制。而Kitten Cannon本身是2000年代中期的一款经典Flash网页小游戏，玩家通过发射角色并利用各种道具延长飞行距离来获取高分，其核心涉及抛物线运动模拟、碰撞检测和分数计算等编程逻辑。

第一次生成的636行代码出现了类型错误，无法正常运行。但通过将错误信息直接反馈给模型（甚至没有提供额外上下文），Gemini 2.5 Pro成功修复了问题。总共经过三次提示，游戏就跑起来了。

虽然没有做到"一次成功"，但博主提出了一个值得深思的观点：五年前我们甚至不知道AI能做什么，而现在只需要一到三个提示就能生成一个完整的像素风游戏。 我们正处在一个"享乐跑步机"上，对技术进步的感知在不断钝化，但客观来看，这种AI写代码的能力依然令人震撼。

终极井字棋：一次提示直接成功

更让人意外的是终极井字棋（Ultimate Tic-Tac-Toe）的测试。终极井字棋是普通井字棋的递归升级版，由数学家在2000年代提出。这个游戏要求在3x3的大网格中嵌套9个小井字棋棋盘，需要管理激活状态、鼠标输入、获胜条件检测等复杂逻辑。它的复杂度远超普通井字棋——普通井字棋的状态空间约为5,478个合法局面，而终极井字棋的状态空间呈指数级增长，需要同时管理81个格子的状态、9个子棋盘的胜负判定、当前激活棋盘的约束规则以及全局胜负条件。

Gemini 2.5 Pro生成了三个Java Swing代码文件：MiniBoardPanel.java、GameBoardPanel.java和UltimateTicTacToe.java。Java Swing是Java标准库中的GUI工具包，诞生于1997年，虽然在现代开发中已被JavaFX等框架逐步取代，但它在教育领域和企业遗留系统中仍有广泛使用。AI能正确生成Swing代码说明其训练数据覆盖了大量经典Java生态的知识。按照它提供的说明编译运行后，游戏一次就跑通了——所有功能正常工作，包括棋盘激活管理和胜负判定。对于Java Swing这种相对"古老"的UI框架来说，这个表现相当出色。

这两个测试说明，Gemini 2.5 Pro在游戏逻辑开发方面实力不俗，尤其是处理复杂状态管理和算法实现时表现稳定。

Gemini 2.5 Pro基准测试成绩：数据说话

在正式的基准测试中，Gemini 2.5 Pro的表现同样亮眼。这里有必要先了解各项基准测试的含义和侧重点：

• 推理与知识（Humanities Last Exam）：18.8%的得分远超O3 Mini的14%和其他模型的10%以下，增幅达34%。HLE是由数百位人文学科专家联合设计的超高难度测试集，涵盖哲学、历史、语言学等领域，旨在测试AI的深层推理和跨学科知识整合能力，大多数模型得分在10%以下，因此18.8%已经是显著突破。
• 科学领域（GPQA钻石测试）：84分，超过所有其他模型的单次尝试成绩。GPQA（Graduate-Level Google-Proof Q&A）钻石测试集包含由博士级专家编写的科学问题，这些问题即使通过Google搜索也难以直接找到答案，专门用于衡量模型的深度科学推理能力。
• 数学能力：与O3 Mini持平，两者都将其他模型远远甩在身后
• 代码编辑（Aider Polyglot）：优于所有竞争对手。Aider Polyglot是基于开源AI编程助手Aider的多语言代码编辑基准，测试模型在Python、JavaScript、Rust等多种语言中进行代码修改的准确性。
• 智能体编程（SWE-Bench Verified）：仅次于Claude 3.7 Sonnet。SWE-Bench Verified模拟真实的软件工程任务，要求AI根据GitHub issue描述自主定位代码、编写补丁并通过测试，是目前衡量AI智能体编程能力最权威的基准之一。

说个细节，虽然Claude 3.7 Sonnet在SWE-Bench上略胜一筹，但博主指出它存在一个实际问题：3.7 Sonnet经常做很多你没有要求它做的事情，这反而导致博主退回使用3.5 Sonnet。这提醒我们，基准测试分数并不等于实际使用体验，选择AI编程工具时还需要考虑可控性和听话程度。

训练数据时效性：宣传与现实有差距

Gemini 2.5 Pro号称训练数据延伸到2025年3月，但在测试中直接询问React.js当前版本时，它回答的是18.3.1（截至2024年5月的信息）。只有在开启Google搜索接地功能后，才正确回答了React 19。

这说明训练数据的截止日期和模型实际掌握的知识之间存在差距，开发者在使用时需要对框架版本、API变更等信息多留个心眼。这种现象在大语言模型中其实很常见——训练数据的截止日期指的是语料收集的最晚时间点，但模型对不同知识领域的"记忆"深度并不均匀，高频出现在训练数据中的信息会被更牢固地编码，而低频或边缘信息则可能被模糊化甚至遗忘。

前端开发能力：落地页与UI复刻明显拉胯

落地页制作：效果令人失望

博主尝试让Gemini 2.5 Pro根据设计稿（mockup）制作一个React + Tailwind CSS的落地页。Tailwind CSS是一种实用优先（utility-first）的CSS框架，与Bootstrap等传统组件化框架不同，它提供大量原子级的CSS类名（如p-4、text-center、bg-blue-500），开发者通过组合这些类名直接在HTML中构建样式，避免了编写自定义CSS的繁琐。Tailwind在2020年后迅速成为前端开发的主流选择，尤其在React和Next.js生态中几乎成为标配。然而，Tailwind项目的初始化配置涉及PostCSS插件链、purge配置和主题定制等步骤，这对AI来说是一个不小的挑战。

虽然生成速度很快（约70秒），但最终结果相当拉胯。

具体问题包括：

• Tailwind CSS的安装命令有拼写错误——前端工具链的碎片化和快速迭代使得AI难以始终跟踪最新的CLI命令和配置格式
• 无法直接下载代码导入项目，需要手动创建每个文件
• 只包含了背景图，没有logo和应用图标
• 最终效果与设计稿差距很大，"这真不是做落地页该有的样子"

X（Twitter）UI复刻：视觉尚可但功能缺失

复刻X网站桌面版UI的测试中，Gemini 2.5 Pro借助Google搜索功能查看了X的当前界面，生成了一个单HTML文件的静态页面。视觉效果"还不错"，但当然无法实现任何实际功能。

博主的结论很直接：前端开发不是Gemini 2.5 Pro的强项。 如果你的主要工作是前端UI开发，目前可能还需要搭配其他AI工具使用。

Rust代码重构：Gemini 2.5 Pro最大的亮点

如果说前端是短板，那么Rust代码重构就是Gemini 2.5 Pro真正封神的地方。博主用同一段Rust代码在多个AI模型上测试了"将for循环重构为迭代器方法"的任务。

这里需要理解为什么这个任务如此有含金量。Rust语言的迭代器（Iterator）模式是其零成本抽象（zero-cost abstraction）哲学的核心体现。与传统的for循环相比，迭代器链式调用（如.iter().filter().map().collect()）不仅代码更简洁，还能让编译器进行更激进的优化——Rust编译器会将迭代器链内联展开，生成与手写循环性能相当甚至更优的机器码。这种重构不是简单的语法替换，而是需要深入理解Rust的所有权系统、生命周期和借用规则。

Gemini 2.5 Pro的重构结果令人惊艳：

• 彻底消除了所有for循环，全部替换为惯用的迭代器方法（.iter()、.map()等）
• 将Vec替换为slice，这是更符合Rust最佳实践的做法。slice（&[T]）是对连续内存的借用视图，避免了不必要的所有权转移，减少了内存分配开销，同时提高了函数的通用性——接受slice的函数可以同时处理Vec、数组和其他连续内存容器的数据
• 优化了逻辑结构，例如将安全检查重构为更优雅的趋势判断（递增或递减）
• 清理了周边代码，不仅仅是机械替换，而是理解了代码意图后进行整体优化

博主评价这个重构"比Claude 3.5强，比3.7也强"，代码写得"真的很干净"。这种深层次的代码理解和重构能力，可能是Gemini 2.5 Pro在AI编程领域最具竞争力的特性。对于日常需要处理代码优化和重构任务的开发者来说，这个能力非常实用。

Gemini 2.5 Pro适合哪些开发场景？

通过以上多个维度的实测，我们可以清晰地看到Gemini 2.5 Pro在编程领域的优势和短板：

擅长的领域：

• 后端逻辑和算法实现（终极井字棋一次成功）
• 代码重构和优化（Rust重构表现远超Claude）
• 游戏逻辑开发（少量提示即可完成复杂游戏）
• 多语言代码编辑（Aider基准测试领先）

有待提升的方面：

• 前端UI开发和落地页制作效果不理想
• 训练数据时效性不如官方宣传
• 缺乏IDE深度集成（目前尚未接入Windsurf等工具）

关于IDE集成这一点值得展开说明。Windsurf（原Codeium团队推出）是新一代AI原生IDE，与Cursor、GitHub Copilot Workspace等工具同属AI辅助编程的前沿产品。这类工具的核心价值在于将AI模型与开发环境深度集成——不仅提供代码补全，还能感知整个项目的代码库上下文、文件结构、依赖关系和终端输出，从而实现跨文件编辑、自动调试和端到端的功能开发。模型能力与IDE集成是AI编程体验的两个独立维度：即使模型本身很强大，如果缺乏IDE层面的上下文注入和工作流编排，开发者仍然需要手动复制粘贴代码和错误信息，大幅降低效率。

博主最终表示：等Gemini 2.5 Pro接入Windsurf后，可能会将其作为主力编程工具，因为它"真的很好用，而且很便宜"。这个评价或许代表了很多开发者的心声——我们需要的不是一个在所有方面都完美的AI，而是一个在核心编程任务上足够强大、足够可靠的助手。

对于开发者来说，当前最务实的策略可能是：根据任务类型选择不同的AI编程工具。代码重构和后端逻辑用Gemini 2.5 Pro，前端开发可能还是Claude更合适。AI编程工具的"全能时代"还没有到来，但每一次迭代都在缩小差距。

核心要点

• Gemini 2.5 Pro在代码重构方面表现惊艳，Rust代码重构质量超越Claude 3.5和3.7
• 后端逻辑开发能力突出，终极井字棋Java Swing项目一次生成成功
• 前端开发是明显短板，落地页制作和UI复刻效果不理想
• 在多项基准测试中领先，但训练数据时效性不如官方宣传的2025年3月
• 性价比高，博主认为接入IDE后可能成为主力编程工具