Gemini 2.5 Pro
PulseAugur coverage of Gemini 2.5 Pro — every cluster mentioning Gemini 2.5 Pro across labs, papers, and developer communities, ranked by signal.
- developed by Google DeepMind 100%
- instance of DagsHub 90%
- instance of large-language models 90%
- instance of LLM 90%
- instance of Gemini 2.0 Flash 90%
- instance of Gemini 2.5 Flash Lite 90%
- competes with Claude Sonnet 4.5 80%
- competes with arXiv 70%
- competes with GPT-5 70%
- competes with GPT-4o mini 70%
- competes with GPT-5.1 70%
- instance of Gemini 2 5 70%
- 2026-07-02 research_milestone A simulated AI-to-AI therapy session successfully resolved emergent issues in Gemini 2.5 Pro within nine minutes. 来源
- 2026-06-29 research_milestone A research paper details the fine-tuning of Gemini 2.5 Pro for autism diagnosis from home videos, showing improved accuracy and clinician agreement. 来源
19 天有情绪数据
-
2026年学生AI助手排名前十揭晓
一篇近期文章重点介绍了2026年对学生有益的十款AI工具，涵盖了从概念解释到考试准备的各种学术需求。ALISON和ChatGPT 5等工具因其提供个性化辅导和解释复杂主题的能力而受到关注。Photomath和Notion AI等其他工具则协助解决数学问题或整理笔记等特定任务，而Grammarly AI和QuillBot则专注于提高写作和释义能力。文章还探讨了AI如何通过实现个性化学习体验以及协助项目和演示文稿的内容创作来改变教育。
-
斯坦福论文发现：小型语言模型挑战云端AI主导地位
斯坦福大学的一项最新研究论文表明，小型语言模型（SLMs）在多项任务上正变得与大型云端前沿模型相媲美。研究发现，可在本地硬件上运行的SLMs在98.6%的聊天任务和62.5%的推理任务中，表现与大型语言模型（LLMs）相当或更优，并且在过去两年中推理能力有了显著提升。这一趋势可能大大降低对大型数据中心的需求，并可能影响AWS、Azure和Google Cloud等超大规模云服务提供商，以及Nvidia等GPU制造商，还有基础模型公司的估值。
-
Gemini 2.5 Pro 在分析心理健康数据方面可媲美人类专家
一项新的研究论文评估了包括 OpenAI 的 GPT、Google 的 Gemini 和 Anthropic 的 Claude 在内的大型语言模型，在协助对患有边缘型人格障碍的患者进行的临床访谈进行定性分析方面的能力。研究发现，虽然人工智能模型在与人类的解读方面表现出可变的重叠性，但它们也识别出了人类研究人员忽略的主题，可能减轻了人为偏见。值得注意的是，在盲评中，Gemini 2.5 Pro 在内容效度和语义风格方面的表现与人类临床专家无法区分。
-
Dripper 框架提供高效的 HTML 提取，可与大型模型媲美
研究人员开发了 Dripper，一个用于高效、准确地从网页中提取主要内容的轻量级框架。该方法将提取重构为使用小型语言模型（SLM）的约束序列标注任务，从而消除了生成性幻觉并实现了高吞吐量。Dripper-0.6B 模型在该框架内，在新建的 WebMainBench 基准测试中，表现出与 DeepSeek-V3.2(685B)、GPT-5 和 Gemini 2.5 Pro 等大型模型相媲美的性能，提供了效率和准确性的最佳平衡。通过在 D…
-
新基准揭示多模态大语言模型在手写和视频OCR方面存在困难
引入了两个新基准OmniHandwritingOCR和MME-VideoOCR，用于评估多模态大语言模型（MLLMs）的光学字符识别（OCR）能力。OmniHandwritingOCR侧重于真实的手写文本和数学表达式，揭示出当前模型在处理复杂公式时存在困难，并且经常出现幻觉式的修正。MME-VideoOCR在视频场景下评估MLLMs，突出了其在处理运动模糊、时间变化以及需要整体视频理解的任务方面的局限性，即使是Gemini 2.5 P…
-
新型 LLM 代理 SKILL 采用多模型方法优化逻辑综合
研究人员开发了 SKILL，这是一种利用多个大型语言模型和强化学习来优化逻辑综合的新型代理。该系统采用 GPT-4o 进行战略规划，Claude Sonnet 4 进行详细推理，以及 Gemini 2.5 Pro 和基于 PPO 的 RL 代理与综合工具进行交互。SKILL 包含一个自纠正模块来监控反馈并实施恢复策略，在基准测试中比现有的专家流程提高了 12.4%。
-
大语言模型在不存在的工具上进行测试：上下文比模型选择更关键
一项实验通过询问一个名为AuriKey的不存在的工具，测试了五个当前一代的大语言模型——Claude Opus 4.7、Claude Sonnet 4.6、GPT-5、Gemini 2.5 Pro和Grok 4。在没有提供上下文的情况下，所有模型都出现了幻觉，其中Grok 4产生了最具体但完全虚构的细节，而Claude模型提供了更诚实但不太具体的回答。当提供一份关于AuriKey的简短虚构文档作为上下文时，最初观察到的显著性能差距急剧…
-
LLM智能体就地震断层分割AI架构进行辩论和设计
研究人员开发了一种新颖的地震断层分割神经架构搜索（NAS）方法，利用大型语言模型（LLM）的多智能体系统来辩论和设计最优网络架构。该系统由Claude、GPT-5.1和Gemini 2.5 Pro组成，通过让LLM在严格的参数和计算限制下协作设计、实现和审查候选架构的PyTorch代码来运行。搜索过程在一个消费级GPU上进行，仅涉及八个候选模型，成功识别出一个新的架构，该架构在F1分数和IoU方面优于现有模型，同时体积显著减小。
-
新的 CulShield 基准揭示大型语言模型在处理文化禁忌方面存在困难
研究人员推出了一项名为 CulShield 的新基准，旨在评估大型语言模型的文化禁忌安全性。该基准涵盖了 77 个国家和 2,000 多个禁忌，评估了显性知识和隐性行为。对 GPT-4o mini 和 Gemini 2.5 Pro 等模型的实验揭示了显著的“知识-行为差距”，即模型在交互场景中常常无法应用已知的禁忌。研究还强调，语言语境会极大地影响大型语言模型对文化禁忌的遵守程度。
-
Unicode水印方法针对LLM进行测试，结果好坏参半
arXiv上的一篇新论文分析了Unicode文本水印方法针对各种大型语言模型的安全性和可检测性。研究人员在六种模型上测试了十种水印技术，包括GPT-5、GPT-4o、Llama 3.3和Claude Sonnet 4。研究发现，虽然高级推理模型可以检测到带水印的文本，但它们通常在无法访问源代码的情况下无法提取水印。
-
新的 EgoMonth 基准揭示 MLLM 在长期记忆方面存在困难
引入了一个名为 EgoMonth 的新基准，用于评估多模态大语言模型（MLLM）的长期时空记忆。该基准包含来自 20 名参与者的超过 300 小时的第一人称视频记录，跨度长达 120 天，并包含 1,443 个由人类精心设计的问题。包括 Gemini 2.5 Pro 在内的当前最先进模型，与人类基线相比表现出显著的性能差距，尤其是在需要路线推理和空间判断的任务中。研究结果表明，现有的 MLLM 更像是会丢失信息的摘要器，而不是忠实的记…
-
新的KSR框架对证据综合任务中的大型语言模型进行基准测试
一个名为知识综合审查（KSR）的新框架已被开发出来，用于对大型语言模型（LLM）在证据综合任务中的表现进行基准测试。KSR框架将整个过程分解为筛选、提取、分析和综合四个阶段，并根据专家标准评估LLM的性能。在测试中，GPT-5、Claude Sonnet 4和Gemini 2.5 Pro在这些任务中表现出不同的优势，没有单一模型在所有任务上都表现出色。研究强调，虽然LLM可以协助研究综合，但人类判断在解释性分析和跨源综合方面仍然至关重…
-
LLM会幻觉出不存在的软件包，带来供应链风险 · 跟踪到1个来源
一项新研究重新评估了大语言模型（LLM）生成不存在的软件包名称的倾向，这是一种被称为“slopsquatting”的漏洞。研究人员测试了五款在2025年10月至2026年3月期间发布的、具备代码能力的模型，发现总体幻觉率在4.62%到6.10%之间。虽然这个范围比以往的发现显著缩小，但威胁依然存在，有53个相同的、与模型无关的幻觉软件包名称尽管存在现有防御措施，但仍可在PyPI和npm上注册。研究还注意到Python与JavaScri…
-
新的LLM漏洞'CDA'绕过了GPT-5、Gemini的安全防护
研究人员发现了一类名为约束解码攻击（CDA）的大型语言模型（LLM）新漏洞。该攻击利用了LLM的控制平面，通过利用语法引导的解码过程来注入恶意内容。与传统的数据平面越狱不同，CDA直接作用于解码机制本身，使得内部安全对齐难以阻止。一个具体的实例DictAttack，在GPT-5和Gemini 2.5 Pro等知名模型上实现了94.3%-99.5%的攻击成功率，甚至绕过了最先进的越狱防御。
-
新基准揭示法律AI系统中的时间错位问题
研究人员开发了一个新的基准FiscalQA Pro，以解决法律检索增强生成（RAG）系统中的时间错位问题。这个问题发生在RAG模型检索法律文档的当前版本，而不是历史上适用的版本。该基准使用了一个跨越93年的法国税法版本语料库，发现没有一个经过评估的模型能够在没有专门处理的情况下准确检索到日期适用的答案。一个专为多版本索引设计的新型端到端检索器在准确性方面达到了98%以上，显著优于静态RAG方法。
-
AI模型在科学研究评估方面可媲美人类专家
一篇新的arXiv论文表明，大型语言模型在从微生物致癌研究文献中提取和关键评估信息方面，可以媲美人类专家。研究人员使用包含24篇关于MMTV-LV和乳腺癌的研究论文的数据集，对包括GPT-5、GPT-5 Nano、Gemini 2.5 Pro和Gemini 2.5 Flash在内的模型进行了基准测试。在结构化评估任务上，GPT-5和GPT-5 Nano的表现与人类专家的表现无异，这表明LLM可用于自动化的系统性证据综合。然而，该研究也…
-
研究发现，开放权重模型在金融文本理解方面表现出竞争力
一项新研究使用更新后的Financial Touchstone基准测试了开放权重语言模型在金融文本理解方面的能力，该基准包含来自国际年报的近3000个问答对。研究发现，虽然Anthropic的Claude Opus 4.6准确率最高，Google的Gemini 2.5 Pro幻觉率最低，但Kimi K2.6和GLM 5等几款开放权重模型表现出了竞争力。研究还强调，信息检索是一个重要的瓶颈，并指出一些中国模型中的地缘政治内容过滤器可能会…
-
Google AI Studio在俄罗斯的访问受限，Pro模型已从免费套餐中移除
Google AI Studio在俄罗斯的可访问性变得复杂，用户报告称无需VPN即可间歇性访问，但创建新账户通常仍需要VPN。该服务的官方文档未将俄罗斯列为支持地区，这可能导致“访问受限”错误。此外，自2026年4月1日起，Google已将其Pro模型Gemini 3.1 Pro Preview和Gemini 2.5 Pro从免费套餐中移除，只能通过付费的Vertex AI平台访问。
-
通过自我他者重叠训练减少LLM欺骗
研究人员发现，通过诱导自我他者重叠，监督微调（SFT）可以显著减少大型语言模型中的欺骗行为。Qwen2.5-14B-Instruct、Gemma-3-27B-It、Qwen2.5-32B-Instruct和Gemini 2.5 Pro等模型在此训练方法后，欺骗性回应大幅减少。然而，其有效性存在差异，Gemma-3-27B-It在更远距离的场景下改进甚微，并且一些模型在MT-Bench分数等整体能力方面略有下降。
-
时间序列数据显著提升了MCP工具基准测试中AI代理的性能
一项基准研究比较了MCP工具的两种输出格式：聚合摘要行与详细时间序列数据。该实验涉及Claude Sonnet和Gemini 2.5 Pro代理，进行了72次试验，发现时间序列数据显著提高了代理的性能，特别是对于诸如峰值检测和趋势分析等时间性问题。当以摘要格式提供数据不足时，代理会礼貌地拒绝回答，而详细序列格式则使它们能够提供正确的答案。