Gemini 2.5 Pro 0605实测对比o3与Claude Opus 4：编程、推理、写作全维度评测

文章正文

Google 最新发布了 Gemini 2.5 Pro 0605 版本，官方宣称在推理、科学问题和编程等多个基准上均表现优异。本文通过代码生成、逻辑推理、创意写作和实际应用开发等多个维度，对新版 Gemini 2.5 Pro 与 OpenAI o3、Claude Opus 4 等模型进行了详细的横向对比测试。

编程能力：可视化效果显著提升

新版 Gemini 2.5 Pro 在编程方面的提升是最直观的。Google 特别强调了该模型在 Web Dev Arena 上的高分表现——这个由 LMSYS（Large Model Systems Organization）推出的专项评测平台采用「盲测对战」机制：用户提交前端开发需求后，平台同时调用两个匿名模型生成界面，用户仅凭视觉效果投票，最终通过 Elo 评分体系排名。这种方式规避了用户对模型品牌的主观偏好，被认为比传统静态基准更能反映真实的用户体验价值。前端代码生成能力的评估之所以复杂，在于它不仅考验语法正确性，还涉及 CSS 布局精度、动画曲线计算、WebGL/Canvas 渲染逻辑以及跨浏览器兼容性等多个维度。

在多个可视化编程测试中，新版 Gemini 表现出色：

• 24小时圆环时钟（SVG）：新版比旧版效果更精细，外圈白昼、内圈夜间渐变深蓝的呈现更加美观
• 3D门格海绵（P5.js）：支持点击增加细节、滚轮缩放，内部渐变效果出色。P5.js 和 Three.js 分别代表 2D 创意编程和 3D 图形渲染两个不同技术栈，模型需要理解底层图形学原理才能生成高质量的交互效果
• 无限星际穿梭：鼠标交互响应灵敏，点击可生成超新星，整体效果优于 o3 的生成结果
• 抓娃娃机（Three.js）：新版比旧版改进明显，推杆仿真度高，对比千问3 235B 和 Claude 3.5 Haiku 的简陋输出优势巨大

不过在 SWE-Bench 上，Claude Opus 4 的得分仍然最高，新版 Gemini 2.5 Pro 与 o3 非常接近。SWE-Bench（Software Engineering Benchmark）由普林斯顿大学研究团队发布，从 GitHub 上收集真实的 Issue 报告和对应的 Pull Request 修复补丁，要求模型在给定代码仓库上下文的情况下自动定位 Bug 并生成可通过测试的修复代码——与「写一个排序算法」类的玩具题不同，它要求模型具备跨文件理解、依赖追踪、测试驱动开发等工程化能力，被认为是衡量模型「能否真正替代初级工程师」的黄金标准。在克隆 Vercel 界面的测试中，Opus 4 做出的效果也明显优于 Gemini，内容更丰富、更接近真实产品。

逻辑推理能力：Gemini仍有明显短板

在一道关于三个创业团队竞争项目资金的逻辑推理题中，两个模型给出了截然不同的回答。

o3 思考了两分钟后，给出了较为严谨的分析：根据给定信息无法唯一确定最终获得资金的队伍，但可以排除 C 队。它将 A 队的选择分成两种可能性，最终结论是「仅靠题干内容只能排除 C，无法断言是 A 还是 B」。这种「承认不确定性」的能力在 AI 安全领域被称为「校准性」（Calibration），即模型的置信度应与其实际正确率相匹配。o3 属于「推理模型」（Reasoning Model）系列，其核心特征是在生成最终答案前会进行大量内部「思维链」计算，因此在面对信息不完整的逻辑题时，更容易识别出「条件不充分」的情况并如实报告。

Gemini 2.5 Pro 则认为这是一个逻辑谜题，「必然有一个唯一确定的答案」。在无法确定 A 或 C 会赢的情况下，它将团队 B 定义为「逻辑风暴的局外人」，因此认为 B 获得资金。这个推理过程存在明显的逻辑跳跃，说服力不足。这种「过度自信」（Overconfidence）是当前大模型的普遍问题——模型在训练中受到「给出明确答案」的奖励信号影响，有时会牺牲准确性来满足「看起来有用」的表象。

从这道题来看，Gemini 在逻辑推理的严谨性上相比 o3 仍有不小差距。o3 能够诚实地承认信息不足以得出唯一结论，而 Gemini 则倾向于强行给出一个「确定」答案。

创意写作对比：o3的文学性更胜一筹

写作测试的题目是围绕「孤独的灯塔看守人与小猫之间的友谊」展开故事，要求呈现两种不同风格。

o3 的表现更具文学性和诗意。例如「小猫眨着琥珀色的大眼睛」「阿光教小猫数星星，小猫教阿光听贝壳唱歌」，画面感十足。哥特风格中「倘若连大海都要将这脆弱生命托付给他，那么这座灯塔究竟意欲让他守护，还是让他审判」这样的句子极具张力。

Gemini 的故事相对平铺直叙——灯塔看守人发现木箱、打开看到小猫，叙事结构较为简单。虽然第二种风格中也有「我是这只眼睛的看守，也是他唯一的囚徒」这样有意思的表达，但整体文学性和情感深度不及 o3。

信息检索与表格处理能力

在「如何快速了解一项全新小众生物技术」的信息检索策略题中，两个模型各有特色。

o3 的回复采用了清晰的表格式结构，分为五个步骤：明确信息需求、设计搜索组合词、优先信息来源排序、评估信息可靠性维度、整合报告。这种结构化输出非常适合实际操作。

Gemini 的回复同样有条理，包含定位、收集初步反响、探索伦理争议、综合报告等步骤，还给出了具体的搜索关键词组合和同行评议期刊关注建议。

在表格识别方面，新版 Gemini 的表现令人满意，比对后基本没有出错。而 o3 在 ChatGPT 中调用了 Python 工具处理表格，过程复杂且耗时较长，最终还出现了一些理解错误（如将 Gemini 2 Flash 的横杠标记错误识别）。

实际应用开发测试：多模型协作才是最优解

在开发一个基于 React Router v7 的 3D 虚拟展厅应用时，测试暴露了 Gemini 2.5 Pro 的一些实际问题。

Gemini 遇到的问题：

• 错误地认为 React Router v7 处于 alpha 版本（知识库更新不及时）
• 在长对话中遗忘了之前的提示要求
• 运行中出现大量错误，多次修改后仍建议重装 Node
• 缺少 API key 时首页直接无法打开

React Router v7 于 2024 年底正式发布，是 Remix 框架与 React Router 深度整合后的重大版本。Gemini 将其误判为「alpha 版本」，暴露了大模型训练数据截止日期（Knowledge Cutoff）带来的系统性风险——大多数主流模型的训练数据截止于 2024 年初至中期，对于快速迭代的前端生态而言，这种滞后可能导致模型给出过时甚至错误的技术建议。在实际工程开发中，开发者通常需要在提示词中明确注明框架版本，或通过 RAG（检索增强生成）技术将最新文档注入上下文，以弥补模型知识库的时效性缺陷。

最终不得不让 Claude Sonnet 4 接手，后者在处理终端错误、安装依赖、解决版本冲突等方面表现更为稳定，经过几轮修改后成功完成了应用部署。

这说明在实际工程开发中，单一模型往往难以完美完成复杂任务，多模型协作可能是当前最务实的策略。「多模型协作」（Multi-Model Orchestration）正在成为 AI 工程实践的主流范式，催生了 LangChain、LlamaIndex 等编排框架，以及 Cursor、Windsurf 等将多模型调度内置于 IDE 的开发工具。从架构角度看，不同模型在「规划-执行-验证」流程中各有优势：推理模型（如 o3）适合任务分解和逻辑验证，代码专项模型（如 Claude Sonnet 系列）适合具体实现和调试，而成本较低的模型则适合处理重复性的格式转换任务。

性价比优势：预算敏感开发者的优选

说个细节，新版 Gemini 2.5 Pro 的定价与旧版保持一致，相比 o3 和 Claude Opus 4 有明显的价格优势。对于预算敏感的开发者来说，Gemini 2.5 Pro 在编程可视化、表格处理等场景下已经能够提供相当不错的体验，是一个极具竞争力的选择。

总结：没有全能冠军，只有场景之王

新版 Gemini 2.5 Pro 0605 在前端代码生成和可视化效果方面进步显著，尤其在 Web Dev Arena 类场景中表现亮眼。但在逻辑推理的严谨性上不及 o3，创意写作的文学性也有差距，实际工程开发中的稳定性仍需提升。

当前 AI 模型的竞争格局愈发清晰：没有全能冠军，只有场景之王。Anthropic、Google 和 OpenAI 也分别推出了各自的 Agent 框架（Claude Computer Use、Gemini Function Calling、OpenAI Assistants API），本质上都是在系统层面实现多模型或多工具的协同调度。这种格局正在推动整个行业从「选最好的模型」转向「设计最优的模型组合策略」——选择合适的模型组合，才是提升效率的关键。

核心要点

• Gemini 2.5 Pro 0605 在前端代码生成和可视化效果方面提升显著，3D 场景、交互动画等表现优于旧版和部分竞品
• 逻辑推理能力仍是短板，面对复杂推理题时倾向于强行给出确定答案，严谨性不及 o3
• 创意写作方面 o3 的文学性和情感深度更胜一筹，Gemini 的叙事相对平铺直叙
• 实际工程开发中 Gemini 存在知识库滞后、长对话遗忘、调试不稳定等问题，需要与 Claude 等模型协作完成
• 价格与旧版持平，相比 o3 和 Claude Opus 4 有明显成本优势，性价比突出