Gemini 2.5 Pro llega y se coloca nº1 en LMArena por amplio margen

Google ha presentado este 25 de marzo Gemini 2.5, al que describe como su modelo de inteligencia artificial "más inteligente" hasta la fecha. La primera entrega es una versión experimental de Gemini 2.5 Pro que, según la compañía, debuta en el primer puesto del ranking LMArena "por un margen significativo" y encabeza varios de los tests de referencia del sector.

La afirmación tiene peso porque LMArena no mide una capacidad concreta con un examen cerrado, sino la preferencia humana: los usuarios comparan respuestas de modelos distintos sin saber cuál es cuál y votan la mejor. Liderar ahí, y con distancia, indica que la gente prefiere lo que produce este modelo de forma consistente, no que haya optimizado un benchmark aislado.

Qué es un 'thinking model'

Google enmarca a Gemini 2.5 dentro de una categoría que llama thinking models: modelos capaces de "razonar a través de sus pensamientos antes de responder". En la práctica, esto significa que el sistema dedica pasos internos a analizar el problema antes de emitir la respuesta final, en lugar de generar texto de corrido.

La propia compañía matiza qué entiende por razonamiento en este contexto. No se refiere solo a clasificar o predecir, sino a "analizar información, extraer conclusiones lógicas, incorporar contexto y matices, y tomar decisiones fundamentadas". Es la línea de trabajo que la industria lleva tiempo persiguiendo con técnicas como el aprendizaje por refuerzo y el chain-of-thought (cadena de pensamiento, el método de hacer que el modelo desglose su razonamiento paso a paso).

Google recuerda que ya había dado un primer paso en esta dirección con su modelo Gemini 2.0 Flash Thinking. Con 2.5, según Koray Kavukcuoglu, CTO de Google DeepMind, ha combinado un modelo base "significativamente mejorado" con un mejor entrenamiento posterior. Y avanza una decisión de calado: piensa integrar estas capacidades de razonamiento "directamente en todos" sus modelos futuros, no dejarlas como una variante aparte.

Los números que presenta Google

El anuncio se apoya en varios resultados. En razonamiento avanzado, Google dice que 2.5 Pro es estado del arte en pruebas como GPQA y AIME 2025 —tests de ciencia y matemáticas de alta dificultad— y, un detalle importante, lo consigue sin recurrir a técnicas de inferencia que encarecen el proceso, como el voto por mayoría (generar muchas respuestas y quedarse con la más repetida). Es decir, el rendimiento sale del modelo, no de un truco que multiplica el coste de cada consulta.

En Humanity's Last Exam —un conjunto de preguntas diseñado por cientos de expertos para medir "la frontera del conocimiento y el razonamiento humano"— el modelo obtiene un 18,8 % entre los sistemas que no usan herramientas externas. La cifra puede parecer baja en abstracto, pero ese examen está pensado precisamente para ser durísimo: un 18,8 % de estado del arte dice más sobre la dificultad de la prueba que sobre las carencias del modelo.

En código, Google reivindica "un gran salto" respecto a la generación 2.0. En SWE-Bench Verified, que la compañía describe como el estándar del sector para evaluar tareas de programación autónoma, Gemini 2.5 Pro alcanza un 63,8 % con una configuración de agente propia. SWE-Bench mide algo concreto y exigente: si el modelo es capaz de resolver problemas reales de repositorios de software, no de escribir fragmentos sueltos.

Como demostración, Google muestra cómo el modelo genera el código ejecutable de un videojuego a partir de una sola línea de instrucción, apoyándose en su razonamiento para producir la aplicación completa.

Un millón de tokens de contexto

Gemini 2.5 hereda las dos señas de identidad de la familia: la multimodalidad nativa y la ventana de contexto larga. Sale con un millón de tokens de contexto —Google adelanta que llegarán dos millones "pronto"—, lo que le permite procesar de una sola vez volúmenes enormes de información combinando texto, audio, imágenes, vídeo e incluso repositorios de código enteros.

Esa cifra tiene consecuencias prácticas. Un millón de tokens equivale a poder "leer" documentos, bases de datos o proyectos de software completos sin trocearlos, manteniendo la coherencia a lo largo de todo el material. Para tareas de análisis documental o de revisión de código a gran escala, es la diferencia entre trabajar con el conjunto o con fragmentos aislados.

Dónde y cómo usarlo

Desde el día del anuncio, Gemini 2.5 Pro está disponible en Google AI Studio y en la app de Gemini para los usuarios de Gemini Advanced, que pueden seleccionarlo en el desplegable de modelos tanto en escritorio como en móvil. Google indica que llegará "en las próximas semanas" a Vertex AI, su plataforma para empresas.

Sobre el precio, la compañía es explícita en que aún no lo ha fijado: introducirá tarifas "en las próximas semanas" para permitir un uso con límites de peticiones más altos en producción a escala. Que se lance primero como versión experimental y gratuita en varios canales, antes de anunciar precios, es coherente con la estrategia de recoger uso masivo y feedback antes de comercializarlo.

Por qué importa este movimiento

El detalle más relevante no es un benchmark concreto, sino la decisión de fondo. Google dice que va a construir estas capacidades de razonamiento "directamente en todos" sus modelos. Eso apunta a un futuro donde el razonamiento deja de ser una función premium o un modelo especializado para convertirse en el comportamiento por defecto.

La insistencia en lograr resultados de primer nivel "sin técnicas que aumentan el coste" también merece atención. Uno de los problemas de los modelos que razonan es que pensar más consume más cómputo y encarece cada respuesta. Si Google consigue el rendimiento sin esos añadidos, el argumento económico juega a su favor cuando llegue el momento de fijar precios.

Conviene mantener la cautela con la etiqueta "experimental". Los resultados los publica la propia empresa y el modelo aún no tiene tarifas ni disponibilidad plena en su plataforma empresarial. El liderazgo en LMArena, medido por preferencia humana, es una señal difícil de discutir, pero el examen definitivo llegará cuando desarrolladores y compañías lo pongan a trabajar en tareas reales y con coste sobre la mesa. De momento, Google ha marcado el listón y ha invitado a que lo prueben.