Η Google ενσωματώνει τα thinking budgets, το MCP και τη χρήση υπολογιστή στο Gemini API

Τι υποστηρίζουν στην πραγματικότητα οι αριθμοί των 2.5 Pro και Flash

Η Google αναφέρει ότι το ενημερωμένο 2.5 Pro πλέον πρωτοστατεί στην κατάταξη κωδικοποίησης WebDev Arena με ELO 1415 και βρίσκεται στην κορυφή των πινάκων ανθρώπινης προτίμησης LMArena, διατηρώντας παράλληλα το context window του 1 εκατομμυρίου tokens. Αναφέρει επίσης ότι το 2.5 Pro, μετά την ενσωμάτωση των εκπαιδευτικών μοντέλων LearnLM, προτιμήθηκε από εκπαιδευτικούς έναντι άλλων μοντέλων και ξεπέρασε τα κορυφαία μοντέλα σε όλες τις πέντε αρχές μαθησιακής επιστήμης που χρησιμοποιεί η Google για την ανάπτυξη συστημάτων διδασκαλίας.

Η ιστορία του Flash έχει να κάνει με το κόστος, όχι με την πρωτοπορία. Η Google περιγράφει το 2.5 Flash ως το «εργατικό» μοντέλο αποδοτικότητάς της και αναφέρει ότι η νέα έκδοση χρησιμοποιεί 20-30% λιγότερα tokens στις δικές της αξιολογήσεις, ενώ παράλληλα βελτιώνεται σε benchmarks συλλογιστικής, πολυτροπικότητας, κώδικα και μακρού context. Για ομάδες που πληρώνουν ανά token, ένα μοντέλο ίδιας ή καλύτερης απόδοσης που καταναλώνει λιγότερα tokens συνεπάγεται άμεση αλλαγή στο περιθώριο κόστους.

Το Deep Think διατίθεται σε επιλεγμένους δοκιμαστές, όχι σε όλους

Το Deep Think είναι μια πειραματική λειτουργία συλλογιστικής για το 2.5 Pro που, σύμφωνα με τη Google, εξετάζει πολλαπλές υποθέσεις πριν απαντήσει. Αναφέρει μια επίδοση στο USAMO 2025 — που περιγράφεται ως ένα από τα πιο δύσκολα μαθηματικά benchmarks —, πρωτοπορία στο LiveCodeBench για κωδικοποίηση επιπέδου διαγωνισμού, και 84,0% στο MMMU για πολυτροπική συλλογιστική.

Αξίζει να σημειωθεί ότι η Google περιορίζει την πρόσβαση. Αντί για ευρεία διάθεση, το Deep Think διατίθεται πρώτα σε επιλεγμένους δοκιμαστές μέσω του Gemini API, ενώ η Google διεξάγει επιπρόσθετες αξιολογήσεις ασφάλειας αιχμής.

Επειδή καθορίζουμε την αιχμή της τεχνολογίας με το 2.5 Pro DeepThink, αφιερώνουμε επιπλέον χρόνο για να διεξαγάγουμε περισσότερες αξιολογήσεις ασφάλειας αιχμής και να λάβουμε περαιτέρω συμβουλές από ειδικούς ασφάλειας.Montana Labs

Για ομάδες εφαρμοσμένης ΤΝ, αυτό σημαίνει ότι το επίπεδο υψηλότερης συλλογιστικής δεν αποτελεί ακόμη κάτι γύρω από το οποίο μπορούν να σχεδιάσουν εργασίες παραγωγής — είναι ένα κανάλι προεπισκόπησης με ρητή αναστολή για λόγους ασφάλειας.

Οι αλλαγές στην εμπειρία προγραμματιστών έχουν μεγαλύτερη πρακτική βαρύτητα

Τρεις προσθήκες σε επίπεδο API έχουν μεγαλύτερη καθημερινή σημασία από τις θέσεις στις κατατάξεις. Η Google επεκτείνει τα thinking budgets — που υπάρχουν ήδη στο Flash — και στο 2.5 Pro, επιτρέποντας στους προγραμματιστές να ορίζουν ανώτατο όριο στα tokens που δαπανά ένα μοντέλο για τη συλλογιστική του, ή να απενεργοποιούν εντελώς τη σκέψη. Αυτό μετατρέπει τη συλλογιστική από σταθερή συμπεριφορά σε ρυθμιζόμενη παράμετρο κόστους και καθυστέρησης.

Οι συνοπτικές παρουσιάσεις σκέψης εμφανίζονται πλέον στο Gemini API και στο Vertex AI, οργανώνοντας τις ανεπεξέργαστες σκέψεις του μοντέλου σε επικεφαλίδες, βασικές λεπτομέρειες και σημειώσεις σχετικά με τη χρήση εργαλείων. Η Google το παρουσιάζει ως βοήθημα για αποσφαλμάτωση, που είναι η ειλικρινής χρήση: η κατανόηση του γιατί μια agentic κλήση εξελίχθηκε με έναν συγκεκριμένο τρόπο.

Και η εγγενής υποστήριξη SDK για ορισμούς Model Context Protocol φτάνει στο Gemini API, διευκολύνοντας την ενσωμάτωση με εργαλεία ανοιχτού κώδικα. Η υιοθέτηση του MCP σημαίνει ότι η Google χτίζει με βάση ένα κοινό πρότυπο κλήσης εργαλείων και όχι μια διεπαφή αποκλειστική για το Gemini — μια σημαντική επιλογή για ομάδες που δεν θέλουν να ξαναφτιάχνουν τις ενσωματώσεις τους για κάθε προμηθευτή.

Οι agentic δυνατότητες έρχονται μαζί με μια άμυνα κατά prompt injection

Η Google φέρνει τη χρήση υπολογιστή του Project Mariner στο Gemini API και στο Vertex AI, με τις Automation Anywhere, UiPath, Browserbase, Autotab, The Interaction Company και Cartwheel να αναφέρονται ως πρώιμοι εξερευνητές, ενώ σχεδιάζεται ευρύτερη διάθεση σε προγραμματιστές το καλοκαίρι. Το Live API αποκτά επίσης οπτικοακουστική εισαγωγή και εγγενή διάλογο με φωνητική έξοδο, καθώς και δυνατότητες όπως το Proactive Audio και το Thinking στο Live API.

Παράλληλα με αυτές τις agentic δυνατότητες υπάρχει και ένας ισχυρισμός για ασφάλεια που εντάσσεται στην ίδια συζήτηση: η Google αναφέρει ότι η νέα προσέγγισή της αύξησε σημαντικά το ποσοστό προστασίας του Gemini έναντι έμμεσων prompt injection κατά τη χρήση εργαλείων, αποκαλώντας το 2.5 την πιο ασφαλή οικογένεια μοντέλων της μέχρι σήμερα. Αυτός ο συνδυασμός είναι το ζητούμενο — η χρήση υπολογιστή και η ανάκτηση εργαλείων είναι ακριβώς τα σημεία όπου οι εντολές που εισάγονται κρυφά γίνονται επικίνδυνες.

Το συμπέρασμα: το Gemini 2.5 παρουσιάζεται ως μια ελεγχόμενη πλατφόρμα agents

Αν τα δούμε συνολικά, τα thinking budgets, οι συνοπτικές παρουσιάσεις σκέψης, η υποστήριξη MCP, η χρήση υπολογιστή και η άμυνα κατά prompt injection περιγράφουν μια πλατφόρμα που ρυθμίζεται για προγραμματιστές που χτίζουν agents, όχι μόνο chat. Τα εργαλεία ελέγχου απαντούν στα πρακτικά ερωτήματα της λειτουργίας μοντέλων συλλογιστικής σε παραγωγικό περιβάλλον: πόσο πληρώνω για να «σκεφτεί», μπορώ να δω γιατί ενήργησε έτσι, μιλάει ένα πρότυπο πρωτόκολλο εργαλείων, και θα μπορούσαν ανακτηθέντα δεδομένα να το παραπλανήσουν;

Το χρονοδιάγραμμα διαθεσιμότητας επιβεβαιώνει πού θέλει να εστιάσει την προσοχή η Google. Το ενημερωμένο 2.5 Flash γίνεται γενικά διαθέσιμο στο Google AI Studio και στο Vertex AI στις αρχές Ιουνίου, με το 2.5 Pro να ακολουθεί σύντομα — ενώ το Deep Think παραμένει πίσω από ένα φράγμα ασφάλειας. Η λειτουργία συλλογιστικής αιχμής αποτελεί τον πρωταγωνιστικό τίτλο, αλλά η ουσία που διατίθεται άμεσα είναι το πιο φθηνό, πιο ελεγχόμενο Flash και η υποδομή API που το περιβάλλει.