google deep research 深夜升级，底层模型换成 gemini 2.5 pro：极限测评、效果分析、报告下载

今天凌晨，google终于把deep research的底层模型升级到最新当红的、口碑不错的gemini 2.5 pro了。以前，google deep research的底层模型过差，不值得深入测试。

所以，我搞了一个极限测试：让deep research一次性研究清楚芒格100模型，并输出一整份研究报告。

测试结果

研究大概进行了9分钟，使用了62个英文参考资料（实际访问了数百个网站），输出2万多字中文报告， 100模型实际解读13个，任务完成率13% （这不是偶然，下文详解）。

对比之下，之前openai deep research研究了36分钟，使用的材料资料少了很多，但是输出5万多字中文包很高，任务完成率100%。

用deep research深度研究“芒格100思维模型”：36分钟，24个英文信息源，5万字报告，质量碾压以前的人类内容（上）

值得阅读 5678 遍的 “芒格100模型” deep research 报告（下）| 附精校版epub和 PDF下载

一句话结论：单单从”研究芒格100模型“任务看，google deep research得分不超过30（满分100）。

具体情况可以看视频：

测试过程

prompt（和openai案例完全一致）：

大航海时代，海盗中间流传着一个传说：海贼王在大海深处埋藏着它的宝藏，找到它的海盗将获得力量、荣耀与权力。互联网上也有一个传说，charlie munger 有 100 个思维模型，掌握这 100 个思维模型的人将拥有大智慧，成为真正的聪明人。

请帮我做一份研究，关于“查理芒格的 100 个思维模型”。包括这种说法的来源，100 模型的内容，以及对 100 个思维模型的每一个进行简要介绍。

介绍每个思维模型时，说明它是什么，为什么重要，举个例子，应用场景。

使用英文搜索，只采纳英文资料（因为互联网上英文资料在数量和质量上都是最好的），用中文回答。

我自己的思考

100个模型只解读了13个，这不是偶然。我做了一个测试，让openai deep research一次性研究包含300本书的书单，o3驱动的deep research产出了史上最长的报告，覆盖了300本书，最终报告6万多字（一个推友研究NBA球队，单个球队的研究报告也到了6万多字）。但是，之前gemini 2.0 flash驱动的google deep research，5千字就糊弄交差，实际完成1/3都不到。

为什么gemini 2.5 pro deep research会“糊弄”？要么是指令跟随能力不行（听不懂prompt）？要么是底层模型的推理能力不行？要么是上下文窗口限制？是否还有其他可能？

语言质量、报告结构上，这些没有硬性评价标准，每个人观点不同。我从这个案例中的观察是，google deep research有改善，但是确实和o3有差距；

context window之迷：gemini 2.5 pro有100万的上下文窗口，为什么只能产出2万字的报告？openai模型的上下文窗口是gemini的1/5，但是，产出报告的细致程度和质量为什么会更高？o1的上下文是20万，输出长度是10万；我估计o3的上下文可能是40万，输出长度可能是20万（毕竟，最终报告6万多汉字，加上中间的思维过程）。

初步个人结论

gemini 2.5 pro口碑这么好，deep research 应该是能用的（毕竟我只测试了一个极端的研究案例，后续我会从我的200多个openai deep research案例中精选出来对比测试）。

但是，“一分价钱一分货”的道理目前仍然成立。

google的2万多字报告，openai的5万多字报告，epub和docx和pdf版本，我提供了免费下载。给公众号发消息“芒格100模型报告”或“芒格报告”即可获得。