Gemini 2.5 Pro lanseras – Googles nya thinking-modell för kod och avancerat resonemang

Gemini 2.5 Pro lanseras – Googles nya thinking-modell för kod och avancerat resonemang

Den 25 mars 2025 presenterade Google Gemini 2.5 Pro Experimental, en ny multimodal thinking-modell som skulle resonera innan den svarade. Google positionerade modellen som företagets mest intelligenta modell dittills, med särskilt starka resultat inom kod, matematik, naturvetenskap och analys av stora underlag.

Marketplace sammanfattar lanseringen i efterhand. Gemini 2.5 Pro blev först tillgänglig i Google AI Studio och för Gemini Advanced-användare. Modellen hade ett kontextfönster på en miljon tokens, med planer på två miljoner, och kunde bearbeta text, kod, bilder, ljud och video.

Gemini 2.5 Pro i korthet

| Punkt | Uppgift vid lanseringen |
|---|---|
| Lanseringsdatum | 25 mars 2025 |
| Modell | Gemini 2.5 Pro Experimental |
| Modelltyp | Multimodal thinking-modell |
| Kontextfönster | 1 miljon tokens, med 2 miljoner planerat |
| Första tillgång | Google AI Studio och Gemini Advanced |
| Styrkor | Kod, matematik, vetenskap, reasoning och lång kontext |
| Modaliteter | Text, kod, bild, ljud och video |
| Status | Experimentell modell som senare utvecklades och stabiliserades |

Vad är en thinking-modell?

En thinking-modell använder mer beräkning före det slutliga svaret. Den försöker planera, kontrollera delsteg och lösa problem mer systematiskt än en snabb chattmodell.

Det är särskilt användbart när uppgiften kräver:

• flera beroende steg
• matematiska resonemang
• analys av en större kodbas
• jämförelse av motstridiga källor
• felsökning
• planering med många begränsningar

Mer thinking betyder inte att modellen alltid kommer fram till rätt svar. Ett tidigt felaktigt antagande kan utvecklas till en lång och övertygande men fortfarande felaktig analys.

Användaren bör därför be modellen redovisa antaganden, källor och kontrollerbara mellanresultat utan att förväxla en utförlig förklaring med bevis.

Kodning som ett huvudområde

Google lyfte fram Gemini 2.5 Pro:s förmåga att skapa webbappar, arbeta med kodtransformationer och förstå större repositories.

Modellen kunde användas för att:

1. analysera projektets struktur
2. förklara dataflöden
3. föreslå en implementation
4. ändra flera filer
5. skapa tester
6. felsöka utifrån loggar
7. dokumentera förändringen

Vid lanseringen rapporterade Google starka resultat på SWE-Bench Verified och andra kodutvärderingar. Benchmarkresultat är användbara men visar inte hela produktionskvaliteten.

En kodagent kan fortfarande:

• missa en behörighetskontroll
• introducera ett osäkert beroende
• skriva tester som inte täcker affärsregeln
• skapa svårunderhållen arkitektur
• göra en ändring som fungerar lokalt men inte i produktion

Mänsklig granskning och automatiska säkerhetstester behövdes därför fortsatt.

En miljon tokens kontext

Gemini 2.5 Pro kunde hantera upp till en miljon tokens. Det gjorde modellen lämplig för stora dokumentmängder, längre videor och omfattande kodbaser.

Exempel på material som kunde analyseras:

• flera års rapporter
• stora avtalspaket
• en omfattande programkod
• långa intervjuer eller möten
• utbildningsvideo
• forskningsartiklar

Google sade att två miljoner tokens skulle komma senare. Ett större fönster gör mer material tillgängligt i samma körning, men löser inte automatiskt återvinning och prioritering.

Modellen kan fortfarande missa en fotnot eller blanda ihop två versioner. Organisationer behöver därför dokumentmetadata, retrieval och tydliga källhänvisningar.

Läs även vår historiska artikel om Gemini 1.5 och genombrottet för en miljon tokens.

Multimodal analys

Gemini 2.5 Pro kunde resonera över text, bild, ljud, video och kod i samma uppgift.

Det gav möjligheter som:

• läsa ett diagram tillsammans med rapporttexten
• analysera en videodemonstration och tillhörande manual
• tolka en skärmbild av ett programfel
• granska kod och användargränssnitt samtidigt
• sammanfatta ett inspelat möte med bilagor

Varje modalitet har egna felkällor. Lågupplöst text, bakgrundsljud eller snabba videohändelser kan misstolkas. Modellen bör be om bättre underlag när detaljen är avgörande.

Benchmarkresultat och LMArena

Google uppgav att modellen nådde starka resultat på flera tester och placerade sig högt i användarbaserade jämförelser som LMArena.

Sådana resultat visar att många användare föredrar modellens svar i en direkt jämförelse. De säger mindre om:

• stabilitet över tid
• kostnad
• svensk språkprecision
• företagsdataskydd
• säkerhet i agentiska handlingar
• kvalitet på en specifik branschuppgift

Företag bör därför bygga en egen testuppsättning med verkliga dokument och mätbara kriterier.

Matematik och vetenskap

Gemini 2.5 Pro förbättrades på vetenskapliga och matematiska problem. Thinking gjorde det möjligt att hålla samman flera delsteg och använda kod eller verktyg när de fanns tillgängliga.

Modellen kunde hjälpa till med:

• förklaringar
• härledning
• kontroll av beräkningar
• kod för simulering
• analys av forskningsdata
• jämförelse av hypoteser

Den bör inte ensam avgöra ett vetenskapligt resultat. Data, metod och statistiska antaganden behöver granskas av en person med relevant kompetens.

Experimentell tillgång

Modellen lanserades som experimentell. Det innebar att beteende, pris, kvoter och tillgänglighet kunde förändras.

Ett företag som byggde på en experimentell modell behövde:

• låsa modellversion där det var möjligt
• köra regressionstester
• ha en reservmodell
• följa förändringsloggar
• mäta kostnad efter uppdateringar
• undvika oövervakade högriskprocesser

En preview kan vara lämplig för prototyper, men inte automatiskt för ett reglerat produktionsbeslut.

Gemini Advanced och AI Studio

Gemini Advanced gav betalande konsumenter tillgång till modellen, medan Google AI Studio riktades mot utvecklare.

I AI Studio kunde utvecklaren:

• testa långa promptar
• ladda upp multimodalt material
• konfigurera verktyg
• utvärdera svar
• exportera kod för API-användning

För företag gav Vertex AI fler kontroller för drift, identitet och data. Den enklaste prototypytan var inte alltid rätt produktionsmiljö.

Thinking och svarstid

Mer reasoning kräver mer beräkning. Svåra frågor kunde därför ta längre tid än med en Flash-modell.

Organisationer behövde avgöra var väntetiden var motiverad. Ett möjligt upplägg var:

| Uppgift | Modelltyp |
|---|---|
| Enkel klassificering | Flash eller mindre modell |
| Snabb vardagsfråga | Standardmodell |
| Svår kod- eller analysuppgift | Gemini 2.5 Pro |
| Högriskbeslut | Modell plus mänsklig expert |

Automatisk routing kan minska kostnaden, men måste logga vilken modell som används och när en fråga eskaleras.

Agentiska möjligheter

Gemini 2.5 Pro byggde vidare på Gemini 2.0:s verktygs- och agentfokus. En thinking-modell kunde planera längre arbetsflöden och kontrollera resultat mellan stegen.

Det var relevant för:

• researchagenter
• kodagenter
• dokumentgranskning
• dataanalys
• webbaserade arbetsflöden

Ju längre agenten arbetar, desto större är risken att ett litet fel växer. Säker användning kräver avgränsade verktyg, kostnadstak, stoppvillkor och mänskligt godkännande före externa konsekvenser.

Svenska företag och användningsfall

Gemini 2.5 Pro kunde vara relevant för svenska verksamheter med komplexa informations- och koduppgifter:

• juridisk dokumentöversikt
• teknisk analys
• större kodbaser
• forskning
• finansiella modeller
• multimodala utbildningsunderlag

Svensk språk- och domänkvalitet behöver testas separat. Modellen kan vara stark på generell reasoning men använda fel juridisk term eller missa en svensk myndighetsregel.

Dataskydd och långa underlag

Ett stort kontextfönster gör det enkelt att ladda upp mycket data, inklusive sådant som inte borde lämna organisationen.

Företag bör införa:

1. dataklassning före uppladdning
2. kontroll av personuppgifter
3. separata projekt och åtkomstroller
4. avtal och rätt region
5. gallring av filer och loggar
6. kontroll av vem som får läsa de genererade svaren

En AI-assistent får inte sammanfatta konfidentiellt material till en användare som saknar behörighet till originalet.

Vägen vidare

Gemini 2.5-familjen byggdes senare ut med Flash och andra varianter. Google utvecklade även Deep Think för ännu mer avancerade problem och forskningsuppgifter.

Lanseringen den 25 mars 2025 markerade att ”thinking” blev en central del av Googles huvudmodell, inte ett separat experiment.

Vanliga frågor

När lanserades Gemini 2.5 Pro?

Google presenterade den experimentella modellen den 25 mars 2025.

Vad betyder thinking-modell?

Modellen använder mer beräkning och flera interna steg före det slutliga svaret för att hantera komplexare problem.

Hur stort kontextfönster hade modellen?

En miljon tokens vid lanseringen, med planer på två miljoner.

Var kunde modellen användas först?

I Google AI Studio och för Gemini Advanced-användare.

Var modellen bra på kod?

Google rapporterade starka benchmarkresultat och lyfte kodning som ett huvudområde. Produktionskod behövde fortfarande testas och granskas.

Var modellen alltid bättre än Flash?

Nej. Flash kunde vara snabbare och billigare för enklare eller högvolymbaserade uppgifter.

Sammanfattning

Gemini 2.5 Pro lanserades den 25 mars 2025 som Googles nya thinking-modell. Den kombinerade avancerat reasoning med multimodalitet, kod och ett kontextfönster på en miljon tokens.

Modellen gjorde komplexa analyser och större koduppgifter mer praktiska, men thinking tog inte bort hallucinationer eller behovet av källkontroll. För företag var den viktigaste frågan inte bara hur stark modellen var, utan när den skulle användas, vilken data den fick se och hur resultatet verifierades.

Faktaunderlag: Google, ”Gemini 2.5: Our most intelligent AI model”, publicerad 25 mars 2025. Artikeln är en historisk sammanfattning publicerad i efterhand.