# DeepSeek 逼急 Gemini 放大招，ChatGPT 搜索功能免费开放，AI 掀起让利战

- 作者：山宗
- 发布时间：2025-02-06 07:53
- 分类：软件
- 原文：https://www.ifanr.com/1613627

![](https://s3.ifanr.com/wp-content/uploads/2025/02/123.jpeg)

去年底，Google Deepmind 推出了面向智能体时代的 Gemini 2.0 Flash 模型，一只脚迈入了 2.0 时代，时隔两个月，Gemini 2.0 系列全家桶终于正式上新。

在 DeepSeek 的「鲶鱼效应」催化下，这次发布与往常不太一样，不仅在性能上有进一步的提升，还挥舞起 AI 性价比的大旗，同时也拥抱多模态能力。

最新的大模型竞技场中，Gemini-2.0-Pro 在所有类别中排名第 1，Gemini-2.0-Flash 排名第 3，Flash-lite 则以出色的性价比跻身前十。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/1-1.png)

Deepmind CEO Demis Hassabis 发文称：

> 令人兴奋的进展！我们在不断提升质量的同时，努力降低成本。Gemini 2.0系列是性价比和性能方面的领先模型。通过今天的发布，大家都可以利用它们强大的推理和多模态能力，这也为我们的智能工作奠定了基础。

Gemini 2.0 系列模型主要特点如下：

- 2.0 Pro Experimental：主打编码性能和处理复杂提示能力，在知识理解和逻辑推理方面表现出色。
- 2.0 Flash：专门面向开发者提供 API 接口，支持快速构建 App。
- 2.0 Flash-Lite：在保持高性能的同时实现了更优的成本效益和响应速度。
- 2.0 Flash Thinking Experimental：已在 Gemini App 中开放使用，供用户体验。

### 不到 1 美元能干啥？Google 新模型能给 4 万张图片配标题

具体来说，Gemini 2.0 系列全家桶模型各具特色。

其中，已全面发布的 Gemini 2.0 Flash 支持多模态输入和文本输出，具备 100 万tokens 的上下文窗口，并支持结构化输出、函数调用和代码执行等功能。

值得注意的是，其多模态实时 API 目前仍处于「beta」阶段，图像和音频输出功能也将在后续推出。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/2-1.png)

该模型的定价方案也已确定，文本、图像和视频输入每百万 tokens 收费 0.10 美元，音频输入则为 0.70 美元，（2 月 20 日起正式生效）。文本输出每百万 tokens 收费 0.40 美元。

各类缓存费用也都维持在较低水平。文本/图像/视频缓存费用为每百万 token 收费 0.025 美元，音频缓存费用为 0.175 美元。

在此基础上，Google 还推出了更具性价比的「轻量版」——Gemini 2.0 Flash-Lite 。

虽然这款模型在功能上做了一定取舍，暂不支持多模态实时 API、搜索工具和代码执行，但它保留了 100 万 tokens 的上下文窗口，以及多模态输入、文本输出和函数调用等核心功能。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/3-1.png)

其定价更为亲民，文本、图像和视频输入每百万 tokens 仅需 0.075 美元，几乎比标准版便宜了三分之一。音频输入也为 0.075 美元，文本输出为 0.30 美元，文本/图像/视频缓存为每百万 tokens 仅需 0.01875 美元，音频缓存为 0.175 美元。

作为对比，DeepSeek-V3 模型现在在击中缓存的情况每百万 tokens 需要 0.014 美元。2 月 8 日起，其价格将恢复到每百万 tokens 0.07 美元的水平。这一调整或许也是促使 Google 制定当前价格策略的重要因素之一。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/4-1.png)

![](https://s3.ifanr.com/wp-content/uploads/2025/02/5-1.png)

据 Google 介绍，使用该模型为 4 万张独特图片生成标题的成本仅需不到 1 美元。

产品线的顶端则是 Gemini 2.0 Pro Experimental 版本。这款模型拥有 200 万 tokens 的超大上下文窗口，相当于可以一次性处理约 150 万个单词，能同时消化整个《哈利·波特》系列的七本书还绰绰有余。

在功能上，它也是最为全能的选手，不仅支持多模态输入和文本输出，还具备结构化输出、函数调用、搜索工具和代码执行等全方位能力。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/6-1.png)

在性能测试方面，Gemini 2.0 系列表现可圈可点。

在 MMLU-Pro 测试中，2.0 Pro Experimental 以 79.1% 的得分领先，而 2.0 Flash Lite Preview 和 2.0 Flash GA 分别获得 71.6% 和 77.6% 的成绩。

在代码生成、数学和多语言能力等方面，2.0 Pro Experimental 同样表现优异，特别是在数学（91.8%）和多语言能力（86.5%）方面的成绩尤为突出。

遗憾的是，即便是最强的 Gemini 2.0 Pro Experimental 版本也要远远落后于 OpenAI o3 模型，并未完成外界期待的「弯道超车」。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/7-1.png)

不过也有网友认为，由于 Gemini 2.0 Pro 并非典型的 CoT 模型，当前的性能对比可能并不完全合理。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/8-1.png)

这些模型的主要优势在于其快速响应能力和较低的成本，特别适用于命名实体识别或分类等特定任务。随着图像生成和文本到语音等新功能的即将推出，Gemini 2.0 系列的应用场景将进一步扩展。

现在，这些新模型现已在 Google AI Studio 和 Vertex AI 平台上向开发者开放，Gemini 高级用户也可以在其设备上选用。

### 贪吃蛇大战、跳跃球，Gemini 2.0 还能这样玩

谁说 AI 只会干巴巴回答回答，随着 Gemini 2.0 全家桶的上线，网友迫不及待地玩出了新花样。

比方说，想看贪吃蛇大战吗？让 Gemini 2.0 自行用代码操刀设计一个贪吃蛇游戏。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/9.gif)

亦或者，Gemini Flash Thinking 模型是首个能够访问 YouTube 的推理模型，而且它还支持 Google 搜索和地图功能。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/10.gif)

在图像渲染方面，有开发者要求模型使用 p5.js 编写脚本，生成了一个包含 100 个动态弹跳黄球的三维场景。并且，球体内的黄球还要能够正确相互碰撞，球体缓慢旋转，以及始终保持在球体内。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/11.gif)

我们也在 Google AI studio 简单体验了此次上新的几款新模型。这几款新模型响应的速度倒是挺快的，至于效果嘛，Emmm，就属实有点难评了。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/12.gif)

![](https://s3.ifanr.com/wp-content/uploads/2025/02/12-1.png)

在 Gemini 大展拳脚之际，惯常狙击的 OpenAI 也在持续发力。

今天，OpenAI 凌晨宣布 Deep Research 功能向所有 Pro 用户全面开放，包括英国、欧盟、挪威、冰岛、列支敦士登和瑞士等地区。Plus 用户流下了羡慕的泪水。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/13-1.png)

并且，ChatGPT 的搜索功能现已向所有用户开放，无需注册即可使用，进一步降低用户的使用门槛。

不过，在卷模型之前，不妨先卷一下 AI 模型的起名，无论是 Gemini 系列，还是 OpenAI 的 GPT/o 系列，随着新模型的接踵而至，各类版本号和命名规则也是让人眼花缭乱。

![](https://s3.ifanr.com/wp-content/uploads/2025/02/14-1.png)

去年当 OpenAI CEO Sam Altman 被问及公司产品的命名策略时，他也坦言相当头疼。

包括 Anthropic CEO Amodei 曾表示，虽然 Claude 的命名方式在早期看起来不错，但随着模型的快速迭代和更新，沿用的命名体系同样变得捉襟见肘。

他指出，目前没有任何 AI 公司真正「搞定命名」这一问题，大家都在努力寻找更简单、更清晰的命名方式。这或许也是 AI 巨头们少有达成的共识。