AI榜单又变天: 谷歌赢了科学推理, 编程还是Anthropic的地盘

AI大模型的战场，正在从“谁会聊天”变成“谁能干活”。

6月22日，谷歌推出带有 Deep Think 推理模式的 Gemini 2.5 Pro，一口气把科学、数学、复杂推理榜单重新洗了一遍。在面向研究生水平物理、化学、生物的 GPQA Diamond 测试中，Gemini 2.5 Pro 拿下82.4%，超过 Fable 5 的79.1%，也高于 GPT-5.5 的76.3%。

更刺激的是，MMLU-Pro 达到89.8%，HumanEval+ 编程测试达到94.1%。如果只看这些数字，很多人会得出一个结论：谷歌这次终于打回来了。但真正懂产业的人，不能只看一张榜单，要看榜单背后到底在测什么。

谷歌赢在最硬的脑力题

Gemini 2.5 Pro 这次最亮眼的地方，不是普通问答，也不是写文章，而是硬科学和复杂推理。GPQA Diamond 本来就是拿来考高难度科学问题的，覆盖物理、化学、生物，难度接近研究生水平。它不是让模型背答案，而是看模型能不能在复杂条件下推导。

这对谷歌很关键。过去外界提到AI模型，往往会把 OpenAI 和 Anthropic 放在最前面，谷歌虽然有算力、有数据、有搜索入口，但总给人一种“慢半拍”的感觉。Gemini 2.5 Pro Deep Think 的出现，相当于谷歌告诉市场：在科学推理这件事上，它不只是追赶者，而是重新回到牌桌中央。

这背后的商业含义很直接。未来真正愿意为AI付高价的，不只是普通用户，而是药企、金融机构、科研院所、芯片公司、材料公司。这些行业要的不是“说得像人”，而是“算得更深、推得更准、错得更少”。

Deep Think不是免费午餐

Deep Think 的本质，是让模型在回答之前花更多时间“想一遍”。它类似 Claude 的扩展思考，也像 OpenAI 的推理模型路线，核心都是用更多计算换更强推理。普通模式像是快速答题，Deep Think 更像是先打草稿、再交卷。

但企业最关心的不是模型有多聪明，而是这份聪明要花多少钱。按照目前公开口径，Gemini 2.5 Pro 标准模式已有按百万 token 计费的价格档位，而 Deep Think 的成本大约是标准模式的数倍。这意味着它不适合拿来做所有任务，更适合用在高价值场景上。

比如普通客服、短文生成、摘要整理，用 Deep Think 就像拿跑车送外卖，性价比不高。但如果是新药靶点分析、复杂金融风控、代码架构判断、科研论文推理，模型多想几秒、多花几倍成本，可能换来的是一个项目少走几个月弯路。

编程榜单不能只看HumanEval

这次 Gemini 2.5 Pro 在 HumanEval+ 上拿到94.1%，看起来非常惊人。问题在于，HumanEval 这类测试更像“单题编程考试”，给模型一道题，看它能不能写出正确函数。它很重要，但并不完全等于真实软件工程。

真实开发不是只写一个函数。它要读旧代码、理解仓库结构、定位bug、改多个文件、跑测试、处理依赖，还要在一堆历史包袱里不把系统改崩。这就是为什么 SWE-bench Verified 更受开发者工具公司关注。

在 SWE-bench Verified 上，Gemini 2.5 Pro 为76.4%，高于 GPT-5.5 的67.2%，但明显落后于 Fable 5 的88.6%。这句话翻译成人话就是：谷歌更会做难题，Anthropic 更会修项目。

Anthropic守住了开发者工具的护城河

Fable 5 仍然是长周期、代理式编程任务里的强者。它厉害的不是写几行漂亮代码，而是在真实工程环境中持续推进任务。对于做AI编程助手、自动修bug、代码审查、开发者智能体的公司来说，这一点比科学榜单更重要。

这也是为什么 Anthropic 这两年在开发者圈层影响力越来越强。程序员不是看模型会不会讲概念，而是看它能不能少制造麻烦。一个模型如果能稳定理解大型代码库，能把问题改对，还能不乱动无关文件，它就会变成生产力工具，而不是聊天玩具。

所以这次榜单真正释放的信号，不是“谷歌全面打败Anthropic”，而是AI模型开始分工。谷歌更像科学家，Anthropic更像高级工程师，OpenAI则仍在通用智能和生态入口上保持压力。

企业选型开始进入分层时代

过去企业选AI，喜欢问一个简单问题：哪个模型最强？现在这个问题已经过时了。真正该问的是：我的业务到底需要哪种强？

做科研推理、生命科学、材料发现、金融建模、数学分析，Gemini 2.5 Pro Deep Think 值得重新评估。它在硬科学和复杂推理上的突破，可能让很多原本依赖专家反复推演的工作，被AI先跑出一版高质量方案。

做代码智能体、自动化开发、DevOps、企业内部研发提效，Fable 5 仍然更有吸引力。SWE-bench Verified 的差距说明，在真实软件工程里，编程能力不是“写得出来”，而是“改得进去、跑得起来、维护得住”。

AI投资逻辑也变了

对投资人来说，这次榜单变化最重要的启发，不是买哪家大模型公司，而是看下游谁会受益。大模型越来越强，真正赚钱的未必是所有模型厂商，而是把模型接进真实行业的人。

生命科学公司、金融科技公司、工业软件公司、研发工具公司、云服务商、数据平台，都可能因为模型能力提升而重新定价。过去AI像一个概念，现在AI正在变成行业里的“新发动机”。谁能把这台发动机装进业务流程，谁才有机会赚到长期的钱。

尤其是中国企业，更要注意这个变化。国内很多公司不一定要从零训练最强模型，但可以把最强模型能力接入制造、医药、能源、金融和软件开发。模型公司打榜，下游公司赚钱，这可能是未来三年AI产业最现实的一条路。

谷歌还有一个信誉考验

不过谷歌也不是没有压力。此前在5月 I/O 上，谷歌预告 Gemini 3.5 Pro 将带来更长上下文和更强推理能力，市场一度期待它在6月正式落地。但截至6月下旬，相关能力仍主要停留在企业预览和有限测试阶段。

这对谷歌来说不是小事。大模型竞争已经进入“按月交卷”的阶段，发布会上的承诺如果不能按时兑现，就会影响开发者和企业客户的信心。AI行业最怕的不是落后一两个月，而是让客户觉得路线图不稳。

所以，Gemini 2.5 Pro Deep Think 是一次漂亮反击，但不是最终胜利。谷歌赢下了科学推理这一局，Anthropic守住了真实编程这一局，接下来比拼的，是谁能把榜单分数变成企业账单。

真正的结论

这次AI榜单变天，不是简单的谁第一、谁第二，而是大模型竞争进入了“专业分工时代”。

谷歌证明了自己在科学推理、硬数学和复杂问题上的实力，适合高价值、高难度、高容错成本的场景。Anthropic则继续证明，在真实软件工程和编程智能体里，它仍然是开发者最难绕开的对手。

对企业来说，别再迷信“一个模型打天下”。对投资人来说，也别只盯着模型发布会。未来真正有价值的公司，是那些知道该在什么场景用 Gemini、什么场景用 Fable、什么场景用 GPT，并且能把AI能力变成利润的人。

AI的上半场，是模型厂商争第一。AI的下半场，是产业公司用模型赚钱。

参考资料

Google Gemini API Pricing

Google Cloud Vertex AI / Gemini Enterprise Agent Platform Pricing

Business Insider：Google delays Gemini 3.5 Pro launch to July

用户提供的 Gemini 2.5 Pro Deep Think、Fable 5、GPT-5.5 基准测试数据口径