Indlæser kataloget…
Indlæser kataloget…
Google DeepMinds multimodale model i effektivitetsklassen med et kontekstvindue på 1 million tokens, valgfri ræsonnering i tankekæde og indbygget inddata for tekst, billeder, lyd, video og filer.
Oversigt. Gemini 2.5 Flash er Google DeepMinds model med lukkede vægte og sparse mixture-of-experts, bygget som medlemmet i effektivitetsklassen i Gemini 2.5-modelfamilien. Den kombinerer et kontekstvindue på 1.048.576 tokens med indbygget inddata for tekst, billeder, lyd, video og filer, og den understøtter valgfri ræsonnering i tankekæde, som udviklere kan slå til ved sværere problemer. Virksomheder vælger den, når de har brug for hurtig inferens med høj gennemstrømning over store multimodale inddata eller lange dokumenter uden at binde sig til flagskibsmodellen Pros dybde.
Vigtigste styrker. Modellen understøtter indbyggede funktionskald og struktureret brug af værktøjer, hvilket gør den velegnet til agentiske arbejdsflow, der kalder eksterne værktøjer midt i en samtale. Dens kontekstvindue på 1 million tokens og indbyggede multimodale inddata på tværs af tekst-, billed-, lyd-, video- og filformater understøtter opgaver med lange dokumenter og blandede medier, som modeller med kortere kontekst ikke kan håndtere i én runde. Da udvidet ræsonnering styres med et flag frem for altid at være aktiv, kan udviklere vælge hurtigere svar til rutineprægede forespørgsler og kun aktivere dybere ræsonnering, når en opgave retfærdiggør den ekstra svartid.
Anvendelsesområder. Brug Gemini 2.5 Flash til interaktive applikationer, der kræver hurtige svar på tværs af blandede medier — billeder, lyd, video eller lange dokumenter indsendt som filinddata. Den passer til agentiske behandlingskæder, der involverer strukturerede værktøjskald, givet dens indbyggede understøttelse af funktionskald. Når en opgave kræver dybere ræsonnering i flere trin, kan du aktivere det valgfrie ræsonneringsflag i stedet for at skifte model; ved svartidskritiske opgaver lader du det være deaktiveret. Dens lange kontekstvindue gør den også til et godt valg til analyse af store kodebaser eller store dokumenter, hvor det fulde vindue på 1 million tokens betyder mere end maksimal ræsonneringsdybde.
Begrænsninger. Uddata er kun tekst — modellen genererer ikke lyd eller billeder, selvom den accepterer dem som inddata. Hvor træningsdataene slutter er 31. januar 2025, så den har ikke kendskab til begivenheder efter denne dato. Den har lukkede vægte og betjenes kun via Googles API, så der er ingen mulighed for at køre selv eller finjustere basisvægtene, og aktivering af udvidet ræsonnering vil øge svartiden sammenlignet med standardtilstanden for hurtige svar.
Bemærkning om suverænitet. Gemini 2.5 Flash er skabt og betjenes af Google, en amerikansk virksomhed underlagt CLOUD Act, og den er kun tilgængelig som et lukket inferensendepunkt via API — der findes ingen suveræn driftsmulighed for denne model.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L0 | 0,26 / 2,20€+5 betingede priser | Online |
18 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Indbygget billedforståelse og fil-inddata med et kontekstvindue på 1 million tokens gør den velegnet til OCR på tværs af store sæt af scannede dokumenter.
En kontekst på 1 million tokens plus et design med kort svartid gør den stærk til hurtig og billig opsummering af store dokumentsæt.
Et kontekstvindue på 1 million tokens gør det muligt at indlæse hele dokumenter uden opdeling, hvilket er ideelt til spørgsmål og svar-opgaver i lange dokumenter.
Værktøjskald plus indbyggede multimodale fil-inddata understøtter pålidelige behandlingskæder til struktureret udtrækning på tværs af tekst, billeder og dokumenter som inddata.
Multimodale inddata og et stort kontekstvindue understøtter entitetsudtrækning fra lange dokumenter og kilder med blandede medietyper.
Indbygget funktion til verktøykald understøtter integration af apps med funktionskald med kort svartid og lave omkostninger.
Billedforståelse kombineret med udvidet ræsonneringstilstand kan gennemgå fortolkning af diagrammer, selvom modellen ikke er et flagskib inden for ræsonnering.
Multimodale billedinddata håndterer fortolkning af screenshots med kort svartid, hvilket er velegnet til behandlingskæder til UI/QA-automatisering.
Designet til hurtighed passer godt til klassifikationsopgaver med høj gennemstrømning, selvom et kvalitetsindeks på 20,3 tyder på kompromiser med nøjagtigheden sammenlignet med flagskibsmodeller.
Udvidet ræsonneringstilstand hjælper med ræsonnering i mange trin, men et svagere kvalitetsindeks sammenlignet med Googles topmodeller begrænser pålideligheden i komplekse planlægningskæder.
Indbyggede billedinddata understøtter arbejdsflow med spørgsmål og svar til billeder; placeringen i effektivitetsklassen bytter maksimal nøjagtighed for hastighed og pris.
Eksponering for CLOUD Act og mangel på garantier om suverænitet gør dette til et svagt valg til følsomme anonymiseringsopgaver, trods tilstrækkelige egenskaber til udtrækning.
Eksponering for den amerikanske CLOUD Act gør, at vi direkte fraråder denne model til arbejdsflow med anonymisering af PII, der kræver datasuverænitet.
Eksponering for den amerikanske CLOUD Act udelukker denne model fra compliance-opgaver og spørgsmål og svar til regler, hvor suverænitet er afgørende.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, ifbench, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "google/gemini-2.5-flash",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på