One week. 700+ courses for $0. No credit card needed.
Start Now
Google 推出 Gemini 2.0 Flash Thinking Experimental,作为一款面向高级推理的新 AI 模型。最初通过 Google AI Studio、Gemini API 和 Vertex AI 提供,如今也面向 Gemini 应用用户开放。
与优先生成流畅回答的标准语言模型不同,Flash Thinking 致力于拆解其思考过程,以更结构化的方式展示逐步推理、评估多种选项并解释结论。
Gemini 2.0 Flash Thinking Experimental 是一款多模态 AI模型,这意味着它可以处理文本和图像输入。这使我们能够用于需要视觉上下文的任务,例如解读图表、分析图形或从复杂文档中提取洞见。
不过,与一些其他多模态模型不同,Flash Thinking 只输出基于文本的结果,也就是说它不会生成图像或可视化数据。
其一大亮点是巨大的上下文窗口:输入最多支持 100 万个 token,输出最多可生成 64,000 个 token。这使其成为长文推理能力最强的 AI 模型之一,能够在保持连贯的同时分析整本书、研究论文或长对话。
较大的 token 上限确保模型能够在长时间交互中跟踪复杂论证,减少用户反复补充上下文的需要。
需要注意的一个关键限制是,Flash Thinking 的知识截止时间为 2024 年 6 月。这意味着它对此之后的事件没有内置知识。
因此,它可能会出现幻觉或作出错误假设,如下例所示。由于它从未了解过 Gemini 2.0 Flash Thinking Experimental,因而错误地将该模型等同于 Gemini Advanced,并给出了错误的日期。

为应对上述知识截止限制,Google 已将 YouTube、Maps 和 Search 功能集成到 Gemini 2.0 Flash Thinking Experimental 中。您可以在模型下拉菜单中启用这些功能:

请注意,使用这些工具并不保证答案正确。比如,它依然把发布日期弄错了,但这次更接近了——正确日期是 2025 年 2 月 5 日(见下例)。出现这种情况是因为模型使用了 Search 工具,并从两个引用的网站获取信息。由于这些网站发布于 2025 年 2 月 6 日,模型就错误地推断这是 Gemini 2.0 Flash Thinking Experimental 的发布日期。

模型会根据提示自动选择所需工具。比如,当我询问从布加勒斯特到伦敦的最佳行车路线时,模型自动选择了 Google Maps 工具。请注意下方的 Google Maps 图标,以及其推理过程中对 Google Maps 工具的说明。

需要说明的是,我用这些简单问题只是为了探索模型——对于上述问题,使用普通的 2.0 Flash 模型就足够了。正如下文将看到的,Gemini 2.0 Flash Thinking Experimental 最适合用于高级数学、科学和多模态推理。
Google 的 Gemini 2.0 Flash Thinking Experimental 在以推理为核心的任务上表现显著提升,在多个关键基准测试中超越前代(重点关注数学、科学和多模态推理)。
|
基准 |
Gemini 1.5 Pro 002 |
Gemini 2.0 Flash Exp |
Gemini 2.0 Flash Thinking Exp 01-21 |
|
AIME2024(数学) |
19.3% |
35.5% |
73.3% |
|
GPQA Diamond(科学) |
57.6% |
58.6% |
74.2% |
|
MMMU(多模态推理) |
64.9% |
70.7% |
75.4% |
来源: Google
在 AIME2024(数学)基准上,Gemini 2.0 Flash Thinking Experimental 取得 73.3%,较 Gemini 2.0 Flash Experimental 的 35.5% 和 Gemini 1.5 Pro 的 19.3% 有大幅提升。作为对比,OpenAI 的 o3-mini(high)在该基准上得分为 87.3%。
同样地,在 GPQA Diamond(科学)基准上,该模型达到 74.2%,较上一版本的 58.6% 有所提升。作为对比,DeepSeek-R1 在该基准上的得分为 71.5%(pass@1——首轮通过),而 OpenAI 的 o1 为 75.7(pass@1),o3-mini(high)为 79.7%。
在 MMMU(多模态推理)中,该基准用于评估模型整合并解读多种模态信息的能力,Gemini 2.0 Flash Thinking Experimental 得分 75.4%,再次超越早期版本。
与其他推理模型类似,2.0 Flash Thinking 的推理能力会随着推理算力的增加而提升(见下图)。推理算力指的是您向模型提交提示后所使用的计算资源量。

来源: Google
Google 通过多个平台提供 Gemini 2.0 Flash Thinking Experimental,包括为 Gemini 用户提供的直接访问方式。
访问 Gemini 2.0 Flash Thinking 最简单的方式是通过Google 的 Gemini聊天界面,既可在 Gemini 网页应用使用,也可在移动端应用使用。
在本文发布时,所有用户均可免费使用 2.0 Flash Thinking。
使用左上角的下拉菜单选择模型:

Google AI Studio 也是使用 Flash Thinking 的一种方式。这个基于网页的平台面向更高级的用户,允许您试验模型的推理能力、控制温度等参数、测试复杂查询、探索结构化响应等。

对于希望将 Flash Thinking 集成到其应用中的开发者,Gemini 2.0 Flash Thinking 可通过Gemini API 使用。
Gemini 2.0 Flash Thinking Experimental 扩大了 Google 在 AI 推理方面的布局,如今也面向 Gemini 应用用户开放。其亮点在于解释自身思考过程、按步骤结构化回答,并能调用 Search、YouTube 和 Maps 等工具。
尽管前景可期,Flash Thinking 仍面临偶发不准与对信息源过度依赖等挑战。随着 OpenAI 和 DeepSeek 也在推进推理模型,这一领域的竞争走向值得持续关注。我也建议您查看我们的新款 Gemini 3 模型指南。
不可以,Google 目前尚未为 Flash Thinking 提供微调选项。
不可以。虽然模型能处理文本与图像输入,但仅生成基于文本的回答,不会生成图像或示意图等可视化内容。
它擅长复杂推理任务,例如数学问题求解、科学分析和多模态数据解读。日常问题未必需要 Flash Thinking,使用标准的 Gemini 模型即可。

我是一名编辑和撰稿人,专注于 AI 博客、教程与新闻,确保内容契合成熟的内容策略并遵循 SEO 最佳实践。我编写过关于 Python、统计学、概率和数据可视化的数据科学课程。我的长篇小说曾获奖,业余时间从事影视剧本创作和电影导演。
用这些课程学习 AI!
今年原本被预测为代理型 AI 之年,但在我看来,更像是推理模型的年份。Google 刚刚将 Gemini 2.0 Flash Thinking Experimental 引入 Gemini 应用用户,超越了此前仅在 Google AI Studio、Gemini API 和 Vertex AI 中提供的范围。
2.0 Flash Thinking 模型旨在与 OpenAI 的 o 系列以及 DeepSeek 的 R 系列等其他推理模型竞争。
Flash Thinking 不仅仅给出答案,更注重展示其思考过程——分解步骤、评估备选方案,让推理更透明。我的第一印象是,Gemini 2.0 Flash Thinking 的聊天版明显比 OpenAI 和 DeepSeek 的对应产品更快。
在这篇博客中,我将介绍 Gemini 2.0 Flash Thinking Experimental 是什么、如何使用、其基准测试结果,以及为何和如何与 Search、Maps、YouTube 等工具配合使用。
如果您想更动手实践 Gemini 2.0,推荐观看我同事 Adel Nehme 的这段视频: