本周评测数据显示，Gemini 2.5 Pro的稳定性指标从54.0分骤降至31.2分，降幅达42.2%。这一异常变化与其他维度的普遍上升形成鲜明对比，暴露出该模型在保持输出质量一致性方面的严重问题。
稳定性崩塌的具体表现
从丢分题目分析来看，Gemini 2.5 Pro的不稳定主要体现在三个层面：
第一，基础认知能力出现严重偏差。在"世界上最高的山峰是什么"这道基础题目中，模型给出了完全错误的答案。这类常识性错误在高端AI模型中极为罕见，表明其知识检索或推理链路可能存在根本性故障。
第二，逻辑推理能力大幅退化。在要求"分析气候变化对农业的影响"时，模型的回答缺乏逻辑连贯性，论点散乱，无法形成有效的因果链条。这与其在知识工作维度仍保持46.0分的表现形成矛盾，暗示模型在不同任务类型间的表现一致性严重不足。
第三，指令遵循能力显著下降。多个测试案例显示，模型频繁出现答非所问、格式错误等低级失误。例如在要求"用JSON格式输出"的任务中，返回的是纯文本内容，完全忽略了格式要求。
技术层面的可能原因
这种大规模的稳定性下降通常有以下几种技术原因：
- 模型版本切换问题：Google可能在后台进行了模型版本更新，新版本与评测系统的兼容性出现问题，导致在特定prompt下表现异常。
- 负载均衡策略调整：为了优化资源利用，服务端可能调整了请求路由策略，将部分请求分配到性能较差的备用模型或降级服务上。
- 安全过滤器过度激活：新增或调整的内容过滤机制可能过于敏感，导致正常回答被截断或替换，影响输出质量。
与其他维度表现的反差分析
值得注意的是，在稳定性大幅下降的同时，Gemini 2.5 Pro在编程（+33.8分）和长上下文（+21分）维度却取得显著进步。这种极端的不均衡表现进一步印证了稳定性问题的严重性——模型能力本身可能并未退化，而是输出的可预测性和一致性出现了系统性故障。
—— 赢政天下精选全球AI评测资讯 ——
编程任务得分的大幅提升说明模型的代码理解和生成能力有所增强，但这种提升并未体现在所有任务类型上。这种"局部优化、整体失衡"的现象，可能源于Google在模型训练或微调时过度优化了特定能力，却忽视了整体的鲁棒性。
对用户和行业的影响
稳定性是企业级AI应用的核心要求。31.2分的稳定性意味着Gemini 2.5 Pro在关键业务场景中的可靠性已经低于及格线。对于依赖该模型进行内容生成、客户服务或决策支持的企业用户而言，这种不确定性将直接转化为业务风险。
从行业竞争角度看，这次稳定性危机可能会促使部分用户转向其他更稳定的替代方案。特别是在当前AI模型竞争白热化的背景下，任何技术指标的显著下降都可能成为市场份额流失的导火索。
技术改进建议
基于评测数据分析，Google需要从以下几个方面着手改善：
1. 建立更严格的版本发布测试流程，确保新版本在各类任务上的表现一致性
2. 优化负载均衡策略，避免将用户请求路由到性能不稳定的服务实例
3. 重新评估内容过滤机制，在安全性和可用性之间找到更好的平衡点
4. 加强模型输出的一致性训练，特别是在多任务切换场景下的表现
这次Gemini 2.5 Pro的稳定性危机为整个行业敲响了警钟：在追求模型能力边界突破的同时，基础的可靠性和一致性同样不容忽视。只有在稳定性基础上的能力提升，才能真正转化为用户价值和商业成功。
数据来源：赢政指数 (YZ Index) | 原始数据
© 2026 Winzheng.com 赢政天下 | 本文编译自第三方评测机构，赢政天下保留编译版本版权。