U utorak, Google je predstavio Gemini 2. 5, novi paket AI modela za rasuđivanje koji se zaustavljaju da "misle" prije nego što pruže odgovore. Kao dio ovog lansiranja, Google uvodi Gemini 2. 5 Pro Experimental, koji je opisan kao multimodalni AI model za rasuđivanje i hvaljen kao najinteligentnija ponuda kompanije do sada. Ovaj model će biti dostupan u utorak putem Google AI Studio, platforme za programere kompanije, kao i u aplikaciji Gemini za pretplatnike plana Gemini Advanced AI od 20 dolara mjesečno. U budućnosti, Google je najavio da će svi njegovi budući AI modeli integrirati sposobnosti rasuđivanja. Od kada je OpenAI predstavio svoj prvi AI model za rasuđivanje, o1, u septembru 2024, tehnološka industrija se trudi da dostigne ili nadmaši njegove sposobnosti. Trenutno, kompanije poput Anthropic, DeepSeek, Google i xAI su razvile svoje vlastite AI modele za rasuđivanje, koji koriste dodatne računske resurse i vrijeme za provjeru činjenica i analizu problema prije nego što pruže odgovore. Ove tehnike rasuđivanja su podigle AI modele na nove nivoe performansi u matematici i kodiranju. Mnogi stručnjaci u tehnološkoj oblasti vjeruju da će modeli za rasuđivanje igrati ključnu ulogu u AI agentima—autonomnim sistemima koji mogu izvršavati zadatke uz minimalnu ljudsku intervenciju.

Međutim, važno je napomenuti da ovi modeli takođe donose veće troškove. Google je ranije eksperimentisao sa AI modelima za rasuđivanje, objavivši "misleću" verziju Gemini u decembru. Ipak, Gemini 2. 5 predstavlja najambiciozniji pokušaj kompanije da nadmaši OpenAI-ovu seriju modela. Prema Google-u, Gemini 2. 5 Pro nadmašuje svoje prethodne AI modele, kao i nekoliko vodećih konkurenata kroz različite mjerne standarde. Konkretno, Google je dizajnirao Gemini 2. 5 da izvrsno stvara vizuelno privlačne web aplikacije i rješenja za kodiranje zasnovana na agentima. U evaluaciji kodiranja pod nazivom Aider Polyglot, Google izvještava da je Gemini 2. 5 Pro postigao rezultat od 68. 6%, nadmašivši najbolje AI modele iz OpenAI, Anthropic i kineskog AI laboratorija DeepSeek. Međutim, u drugoj procjeni fokusiranoj na vještine razvoja softvera pod nazivom SWE-bench Verified, Gemini 2. 5 Pro je postigao 63. 8%, nadmašivši OpenAI-ov o3-mini i DeepSeek-ov R1, ali zaostajući za Anthropic-ovim Claude 3. 7 Sonnet, koji je postigao 70. 3%. U multimodalnoj evaluaciji poznatoj kao Posljednji ispit čHumanosti, koja uključuje hiljade pitanja prikupljenih od strane crowdsourcera iz matematike, humanističkih nauka i prirodnih nauka, Google navodi da je Gemini 2. 5 Pro postigao rezultat od 18. 8%, nadmašivši većinu konkurentnih vodećih modela. Na početku, Google je opremio Gemini 2. 5 Pro sa kontekstualnim prozorom od 1 milion tokena, omogućujući AI modelu da obradi približno 750, 000 reči odjednom—duže od cijele serije knjiga "Gospodar prstenova". Pored toga, Gemini 2. 5 Pro će uskoro podržati dužinu unosa od 2 miliona tokena. Google još nije otkrio cijene API-ja za Gemini 2. 5 Pro, ali kompanija planira da pruži više informacija u narednim nedeljama.