前言
Gemini 2.5 Pro是Google最新（截至2025.03.29）推出的一款强大的推理模型，在多项测试中表现优异。
 |
|---|
| Google Gemini 2.5 Pro与其他模型测试结果对比 |
目前，Gemini 2.5 Pro的API已经免费开放使用，但是Gemini的网页端尚未集成这一新的模型。因此，如果我们想要使用Gemini 2.5 Pro，就需要借助API来实现。
安装LobeChat Docker
LobeChat是一个开源的高性能聊天机器人框架，支持多种模型的接入和使用。网页版的LobeChat需要付费才能使用自己的API密钥，而自己部署的LobeChat则可以免费使用。
如果没有安装Docker，请参考Docker安装教程或者Arch Wiki进行安装和配置。
在安装好Docker后，打开终端，输入以下命令来首次运行LobeChat：
docker run -d -p 3210:3210 --name lobe-chat lobehub/lobe-chat:latest
如果你已经安装过LobeChat，可以使用以下命令来运行：
docker start lobe-chat
在LobeChat中配置
首先，访问Gemini的API页面并登录Google账号，点击创建API密钥。请注意，API密钥是非常重要的凭证，请不要泄露。
然后打开浏览器，访问LobeChat页面（比如127.0.0.1:3210，端口是前面-p 3210:3210处配置的）。点击页面左侧的发现：
随后点击上部的模型服务商：
找到Google Gemini：
点击右侧的配置服务商，启用Google Gemini，并在API Key处填写之前获取的API密钥；同时，在模型列表中添加Gemini 2.5 Pro：
随后，可以点击连通性检查来测试API是否可用。
如果测试成功，即可回到LobeChat的主页面，点击左侧的聊天，选择Google Gemini 2.5 Pro模型并使用。
缺点
这样LobeChat的简单客户端部署方式不支持上传图片以外的文件，因此不能使用Gemini 2.5 Pro阅读文献、代码等。LobeChat只有在服务端数据库部署的时候才支持上传其他文件，而这样的部署方式较为麻烦。
补充
Gemini 2.5 Pro的API目前使用频率限制为5 RPM，即每分钟最多5次请求，这可能不能适用于翻译等高频率的场景，但是对于复杂问题，模型的推理时间可能本来就比较久，因此5 RPM的限制基本上不会影响使用。
- Google缩紧了API的使用限制，免费版Gemini 2.5 Pro目前每日调用次数限制为25次，每分钟限制为5次，每分钟Token数限制为250000。
笔者发现目前Gemini 2.5 Pro已经可以在Google AI Studio中直接免费使用了，而且支持了上传文件的功能。（甚至支持指定YouTube上的视频作为输入）😂😂😂可以直接在Google AI Studio中使用Gemini 2.5 Pro进行文献阅读、代码分析等操作。
此外，OpenRouter AI也支持了Gemini 2.5 Pro，注册账号以后即可直接使用，但是对文件上传大小限制较严格，仅支持10 MiB以下的文件上传。
- 更新：OpenRouter AI的Gemini 2.5 Pro增加了限制，要求累计充值量达到$10才能使用免费版，否则只能使用按照Token数量的计费版。
- OpenRouter目前提供的Gemini 2.5 Pro较为拥挤，稳定性较低，可能出现无回应、回答中断等问题。
- 目前Google发布了Gemini 2.5 Flash，免费版每日限制为500次请求，每分钟限制为10次请求，每分钟Token数限制为250000，性能也非常不错，但是免费版额度比Gemini 2.5 Pro要高得多，推荐使用。
 |
 |
|---|---|
| Google Gemini 2.5 Pro与其他模型测试结果对比 | Google Gemini 2.5 Flash与其他模型测试结果对比 |
- 2025.05.22，Google已经移除了免费的Gemini 2.5 Pro访问
- 在Gemini 2.5 Pro反向升级（2025.05.06）与Gemini 2.5 Flash升级（2025.05.20）之后，两者差距进一步缩小
| Benchmark / Capability | Sub-category | Gemini 2.5 Pro (Prev 05-06) | Gemini 2.5 Pro (Exp 03.25) | Gemini 2.5 Flash (Prev 05-20 Thinking) | Gemini 2.0 Flash | OpenAI o4-mini | OpenAI o3 | OpenAI GPT-4.1 | Claude 3.7 Sonnet (64K Ext.) | Grok 3 Beta (Ext.) | DeepSeek R1 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Input price | $/1M Tokens | — | — | $0.15 | $0.10 | $1.10 | — | — | $3.00 | $3.00 | $0.55 |
| Output price | $/1M Tokens | — | — | $0.60 | $0.40 | $4.40 | — | — | $15.00 | $15.00 | $2.19 |
| Reasoning & Knowledge | Humanity’s Last Exam (no tools) | 17.8% | 18.8% | 11.0% | 5.1% | 14.3% | 20.3% | 5.4% | 8.9% | — | 8.6%* |
| Science | GPQA diamond (single pass@1) | 83.0% | 84.0% | 82.8% | 60.1% | 81.4% | 83.3% | 66.3% | 78.2% | 80.2% | 71.5% |
| GPQA diamond (multiple) | — | — | — | — | — | — | — | — | 84.8% | — | |
| Mathematics | AIME 2025 (single pass@1) | 83.0% | 86.7% | 72.0% | 27.5% | 92.7% | 88.9% | — | 49.5% | 77.3% | 70.0% |
| AIME 2025 (multiple) | — | — | — | — | — | — | — | — | 93.3% | — | |
| Code generation | LiveCodeBench V5 (single pass@1) | 75.6% | 70.4% | 63.9% | 34.5% | — | — | — | — | 70.6% | 64.3% |
| LiveCodeBench V5 (multiple) | — | — | — | — | — | — | — | — | 79.4% | — | |
| Code editing | Aider Polyglot (whole/diff) | 76.5%/72.7% | 74.0%/68.6% | 61.9%/56.7% | 22.2% | 68.9%/58.2% | 81.3%/79.6% | 51.6%/52.9% | 64.9% | 53.3% | 56.9% (diff only in Img1) |
| Agentic coding | SWE-bench verified | 63.2% | 63.8% | 60.4% | — | 68.1% | 69.1% | 54.6% | 70.3% | — | 49.2% |
| Factuality | SimpleQA | 50.8% | 52.9% | 26.9% | 29.9% | — | 49.4% | 41.6% | — | 43.6% | 30.1% |
| Factuality | FACTS grounding | — | — | 85.3% | 84.6% | 62.1% | — | — | 78.8% | 74.8% | 56.8% |
| Visual reasoning | MMMU (single pass@1) | 79.6% | 81.7% | 79.7% | 71.7% | 81.6% | 82.9% | 75.0% | 75.0% | 76.0% | no MM sup. |
| MMMU (multiple) | — | — | — | — | — | — | — | — | 78.0% | no MM sup. | |
| Image understanding | Vibe-Eval (Reka) | 65.6% | 69.4% | 65.4% | 56.4% | — | — | — | — | — | no MM sup. |
| Video | Video-MME (Overall) | 84.8% | — | — | — | — | — | — | — | — | no MM sup. |
| Long Context | MRCR / MRCR v2 (128k avg) | 93.0% (MRCR) | 94.5% (MRCR) | 74.0% (v2) | 36.0% (v2) | 49.0% (v2) | — | — | — | 54.0% (v2) | 45.0% (v2) |
| MRCR / MRCR v2 (1M ptwise) | 82.9% (MRCR) | 83.1% (MRCR) | 32.0% (v2) | 6.0% (v2) | — | — | — | — | — | — | |
| Multilingual performance | Global MMLU (Lite) | 88.6% | 89.8% | 88.4% | 83.4% | — | — | — | — | — | — |
由于LobeChat的灵活性限制，笔者目前更建议需要用API时参考使用笔者后面一篇博客推荐的使用AIChat来调用Gemini 2.5 Pro的方法。AIChat虽然界面没有LobeChat好看，但是可以更加方便灵活地实现各种功能。
