Epoch AI ने Google के Gemini 2.5 Deep Think मॉडल के सार्वजनिक रूप से उपलब्ध संस्करण का एक तृतीय-पक्ष मूल्यांकन किया, जिसमें FrontierMath जैसे बेंचमार्क्स पर इसके गणितीय तर्क और प्रदर्शन का आकलन किया गया।
- मॉडल ने FrontierMath के स्तर 1–3 (29%) और स्तर 4 (10%) पर state-of-the-art स्कोर हासिल किए, जिसमें बेहतर पृष्ठभूमि ज्ञान और गणनात्मक सटीकता का प्रदर्शन दिखा।
- दो पेशेवर गणितज्ञों ने मॉडल को एक सामान्य रूप से उपयोगी शोध सहायक के रूप में चित्रित किया, जो अन्य शीर्ष स्तर के मॉडलों के साथ व्यापक रूप से तुलनीय है।
- हालांकि मॉडल ने 2025 अंतर्राष्ट्रीय गणितीय ओलंपियाड (IMO) पर कांस्य पदक-समतुल्य स्कोर हासिल किया, लेकिन इसने उच्च रचनात्मकता या जटिल प्रमाणों की आवश्यकता वाले समस्याओं में संघर्ष किया।
- मूल्यांकन ने नोट किया कि Deep Think ज्यामिति के लिए अवधारणात्मक दृष्टिकोणों पर अधिक निर्भर करता है और कभी-कभी गणितीय साहित्य के गलत उद्धरण प्रदान करता है।
रिपोर्ट मॉडल की जटिल गणनाओं को निष्पादित करने में इसके मजबूत पक्षों को हाइलाइट करती है, साथ ही रचनात्मक समस्या-समाधान और स्रोतों के संबंध में तथ्यात्मक सटीकता में इसके सीमाओं का भी उल्लेख करती है।