Gemini 2.5 Pro est le modèle d’IA de pointe de Google, conçu pour des tâches avancées de raisonnement, de codage, de mathématiques et de sciences. Il utilise des capacités de « réflexion » qui lui permettent de raisonner ses réponses avec une précision accrue…
Google Gemini 2.5 Pro est un modèle de langage de grande taille développé par Google, conçu pour le raisonnement complexe et la compréhension multimodale. Il traite les entrées textuelles, images,…
Gemini 2.5 Pro peut traiter et comprendre du texte, des images, des fichiers (tels que des PDF et des feuilles de calcul), de l'audio et de la vidéo. Il peut générer des sorties textuelles allant jusqu'à 65 536 tokens. Sa grande fenêtre de contexte de 1 048 576 tokens lui permet de prendre en compte des livres entiers, de longues bases de code ou de longs historiques de conversation dans une seule requête. Le modèle excelle dans les tâches nécessitant un raisonnement approfondi, comme la résolution de problèmes mathématiques, la génération de code et l'analyse de documents complexes. Il peut également effectuer des tâches multimodales telles que la description d'images, la transcription audio ou la réponse à des questions sur le contenu vidéo. Le modèle est accessible via l'API compatible OpenAI d'OrcaRouter, ce qui facilite son intégration dans les workflows existants.
Choisissez Gemini 2.5 Pro lorsque votre tâche nécessite la fenêtre de contexte complète de 1M tokens, comme l'analyse d'un long document juridique, le résumé d'une transcription de réunion de plusieurs heures, ou le travail sur un dépôt de code entier. Son solide raisonnement mathématique (96.7 sur MATH-500) en fait un bon choix pour la résolution de problèmes complexes ou le tutorat. Les cas d'utilisation multimodaux qui mélangent texte, images, audio ou vidéo bénéficient également de son traitement unifié. Cependant, pour des tâches courtes et simples comme des questions-réponses de base ou une traduction en un tour, un modèle plus petit tel que Gemini 2.0 Flash ou GPT-4o mini sera plus rapide et moins cher. Considérez le nombre de tokens : si l'entrée fait moins de 32K tokens, de nombreux autres modèles peuvent la traiter à moindre coût.
Les meilleurs cas d'utilisation incluent les tâches qui nécessitent une compréhension profonde sur de longs contextes : l'examen de documents juridiques, l'analyse d'articles académiques, l'assistance sur des bases de code, et les agents conversationnels multi-tours qui doivent retenir un historique étendu. Son puissant raisonnement mathématique le rend adapté au tutorat, au calcul scientifique et aux problèmes de compétition mathématique. Le support multimodal permet des applications comme le sous-titrage d'images, le résumé vidéo et la transcription audio suivie d'une analyse. Il est également utilisé pour l'extraction de données à partir de documents complexes (PDF avec tableaux, graphiques) et pour générer des sorties structurées de longue forme où la cohérence sur plusieurs pages est importante.
Un modèle moins cher est recommandé lorsque votre contexte tient dans une fenêtre plus petite (par exemple, moins de 128K tokens) ou lorsque vous n'avez pas besoin d'entrée multimodale. Si votre tâche est une classification simple, un résumé court ou une conversion de format, des modèles plus petits comme Gemini 1.5 Flash ou GPT-4o mini répondront plus rapidement et coûteront nettement moins cher. De plus, si la latence est critique, les modèles plus petits ont généralement un temps d'inférence plus faible. Les projets soucieux de leur budget et à volume élevé doivent évaluer si le contexte de 1M et le raisonnement mathématique sont réellement nécessaires. Pour de nombreuses tâches quotidiennes, le coût supplémentaire de Gemini 2.5 Pro peut ne pas justifier les avantages.
Gemini 2.5 Pro a obtenu un score de 96,7 sur le benchmark MATH-500. MATH-500 est un sous-ensemble du jeu de données MATH comprenant 500 problèmes mathématiques difficiles couvrant des sujets comme l'algèbre, la géométrie, la théorie des nombres et les probabilités. Un score de 96,7 indique que le modèle a résolu presque tous les problèmes correctement, démontrant de solides capacités de raisonnement mathématique et de résolution étape par étape. Cela le place parmi les meilleurs modèles pour les tâches mathématiques. Les utilisateurs travaillant sur des applications à forte composante mathématique, comme les outils éducatifs, le calcul scientifique ou la finance, peuvent se fier à ce benchmark comme preuve de la compétence du modèle.
Avec 1 048 576 tokens de contexte, Gemini 2.5 Pro offre l'une des plus grandes fenêtres de contexte disponibles parmi les modèles de production. À titre de comparaison, GPT-4o dispose d'un contexte de 128 000 tokens, Claude 3.5 Sonnet de 200 000 tokens, et Gemini 1.5 Pro avait également 1 million de tokens dans sa version expérimentale. Cette grande fenêtre de contexte permet au modèle de traiter de très longs documents ou des codebases entières en une seule fois, sans nécessiter de découpage ni de récupération externe. Cependant, un contexte plus large peut augmenter la latence et le coût en raison du mécanisme d'attention. Les utilisateurs doivent réfléchir si leur cas d'usage nécessite réellement un contexte aussi large avant de sélectionner ce modèle.
Les points forts incluent un raisonnement mathématique de premier ordre (96,7 sur MATH-500), une solide compréhension multimodale et la capacité de traiter des contextes très longs. Le modèle prend également en charge plusieurs types d’entrées (texte, image, fichier, audio, vidéo), ce qui est plus large que de nombreuses alternatives. Les limites incluent un coût plus élevé par rapport aux modèles plus petits, et aucun score de référence spécifique n’est fourni pour d’autres domaines comme le codage (par exemple HumanEval), la compréhension du langage (par exemple MMLU) ou les tâches multilingues. Sans ces chiffres, les utilisateurs devraient tester sur leurs propres données. De plus, la latence du modèle peut être plus élevée que celle des modèles compacts en raison de sa taille et de la longueur du contexte, bien qu’aucun chiffre précis ne soit disponible.
Le prix est de 2,50 $ par million de tokens d’entrée et de 15,00 $ par million de tokens de sortie. Ce sont les tarifs du fournisseur Google, et OrcaRouter n’applique aucune marge. Vous êtes facturé exactement ce que Google facture. Les tokens d’entrée incluent le texte de la requête et tout contenu multimodal (images, audio, vidéo) qui est tokenisé. Les tokens de sortie sont la réponse générée. Les comptes de tokens sont indiqués dans la réponse de l’API. Comme il n’y a pas de marge, le coût est transparent et prévisible. Par exemple, une requête avec 100 000 tokens d’entrée générant 10 000 tokens de sortie coûterait environ 0,40 $. Les utilisateurs doivent surveiller l’utilisation des tokens pour maîtriser les coûts.
Gemini 2.5 Pro est proposé à un prix premium par rapport aux modèles plus petits. Par exemple, Gemini 1.5 Flash coûte 0,15 $ pour 1 million de tokens d’entrée et 0,60 $ pour 1 million de tokens de sortie, ce qui le rend plus rentable pour des tâches simples ou à contexte court. De même, GPT-4o mini est moins cher. Cependant, pour les tâches nécessitant un grand contexte ou un raisonnement mathématique solide, Gemini 2.5 Pro peut être plus efficace que d’enchaîner plusieurs appels à un modèle plus petit. Le compromis est un coût par appel plus élevé, mais potentiellement une meilleure précision et moins de tentatives. Les utilisateurs doivent estimer les volumes totaux de tokens et évaluer si le gain de performance justifie la dépense.
Aucune information n'est fournie concernant la mise en cache ou les niveaux de prix réduits pour Gemini 2.5 Pro sur OrcaRouter. La tarification est explicitement indiquée comme étant le tarif du fournisseur sans aucune majoration. Certains fournisseurs proposent la mise en cache des tokens d'entrée ou des prix réduits pour une priorité moindre ; cependant, aucun détail de ce type n'est disponible pour ce modèle via OrcaRouter. Les utilisateurs sont invités à consulter la documentation d'OrcaRouter pour toute mise à jour des tarifs ou des options de mise en cache. Pour l'instant, le coût est basé uniquement sur le nombre de tokens de chaque appel API aux taux actuels par million. Pour une utilisation à volume élevé, contactez OrcaRouter pour d'éventuels accords d'entreprise.
Le coût peut être estimé en connaissant le nombre de jetons d'entrée et de sortie. La réponse de l'API inclut des champs d'utilisation des jetons. Jetons d'entrée : comptez tous les jetons de l'invite (y compris le message système, les messages utilisateur et tous les jetons multimodaux). Jetons de sortie : comptez la réponse générée. Ensuite, calculez : (input_tokens / 1 000 000) * 2,50 $ + (output_tokens / 1 000 000) * 15,00 $. Par exemple, une invite de 500 000 jetons d'entrée générant 20 000 jetons de sortie coûte (0,5 * 2,50 $) + (0,02 * 15,00 $) = 1,25 $ + 0,30 $ = 1,55 $. Il n'y a pas de frais supplémentaires. Utilisez le tokeniseur fourni par Google ou estimez à l'aide de ratios connus (par ex., 1 image ~ 258 jetons pour les images Gemini, mais la tokenisation exacte varie).
Faites des requêtes au point de terminaison de l'API OrcaRouter à https://api.orcarouter.ai/v1, en utilisant l'ID de modèle "google/gemini-2.5-pro". L'API est entièrement compatible OpenAI, vous pouvez donc utiliser le client Python d'OpenAI ou tout SDK prenant en charge le format de complétions de chat d'OpenAI. Définissez l'URL de base sur le point de terminaison OrcaRouter et fournissez votre clé API OrcaRouter. Exemple avec Python : client = OpenAI(base_url="https://api.orcarouter.ai/v1", api_key="your_key"). Ensuite, client.chat.completions.create(model="google/gemini-2.5-pro", messages=[...]). La réponse suit la structure standard avec choices, usage, etc. Aucun paramètre spécial n'est requis au-delà des complétions de chat standard.
L'API prend en charge les paramètres standard de complétion de chat d'OpenAI : model, messages, max_tokens, temperature, top_p, stop, frequency_penalty, presence_penalty et stream. Pour Gemini 2.5 Pro, max_tokens peut aller jusqu'à 65536. Les messages doivent suivre la structure standard avec des rôles comme system, user, assistant. Pour inclure du contenu multimodal (images, audio, vidéo), utilisez le format de tableau de contenu avec le type "image_url", "input_audio", etc., conformément au format de l'API vision d'OpenAI. Cependant, la prise en charge de tous les types multimodaux peut varier ; reportez-vous à la documentation de Google pour le format exact. Le streaming est pris en charge pour les réponses incrémentielles. Aucun autre paramètre personnalisé n'est documenté pour ce modèle via OrcaRouter.
La migration consiste à modifier l'ID du modèle dans votre appel API, par exemple de "gpt-4" ou "claude-3.5-sonnet" vers "google/gemini-2.5-pro". Comme OrcaRouter utilise le même point de terminaison compatible OpenAI, aucune modification de l'URL de base ou de l'authentification n'est nécessaire. Vous devrez peut-être ajuster le format de vos messages si vous utilisiez un fournisseur non OpenAI. Gemini 2.5 Pro prend en charge les messages système et les rôles standards. Pour le contenu multimodal, assurez-vous de formater les images/audio/vidéo en utilisant le format de tableau de contenu OpenAI. Testez avec un petit échantillon pour vérifier le comportement et l'utilisation des tokens. Notez également que la longueur de contexte est plus grande, mais la longueur de sortie peut être définie jusqu'à 65 536 tokens. Mettez à jour votre max_tokens en conséquence.
Gemini 2.5 Pro est le successeur de Gemini 1.5 Pro. Bien que les deux disposent d’une fenêtre de contexte de 1M de tokens, Gemini 2.5 Pro est réputé pour ses capacités de raisonnement améliorées, comme en témoigne son score de 96,7 à MATH-500 (le score de 1.5 Pro n’est pas fourni pour une comparaison directe, mais il est généralement inférieur selon des rapports non officiels). Le prix de 1.5 Pro était de 1,25 $ pour 1M de tokens en entrée et de 5,00 $ pour 1M de tokens en sortie, ce qui rend 2.5 Pro deux fois plus cher en entrée et trois fois plus cher en sortie. Gemini 2.5 Pro prend également en charge davantage de modalités d’entrée (vidéo et audio ajoutées). Pour les applications nécessitant les derniers raisonnements, 2.5 Pro est préférable ; pour les tâches sensibles aux coûts, 1.5 Pro reste une option solide.
GPT-4o, d'OpenAI, a une fenêtre de contexte de 128K tokens, significativement plus petite que celle de Gemini 2.5 Pro (1M). GPT-4o prend en charge les entrées de texte et d'image, mais pas l'audio ou la vidéo directement. Le prix de GPT-4o est de 2,50 $ par million de tokens d'entrée et de 10,00 $ par million de tokens de sortie, ce qui rend la sortie moins chère que celle de Gemini 2.5 Pro (15,00 $). Les scores de benchmark sur MATH-500 : le score de GPT-4o n'est pas fourni, mais généralement élevé. Le choix dépend des besoins en longueur de contexte : si vous devez traiter de très longs documents ou des entrées multimodales avec audio/vidéo, Gemini 2.5 Pro est meilleur ; pour des tâches plus courtes avec un coût de sortie plus faible, GPT-4o peut être plus économique. Les deux sont accessibles via OrcaRouter avec le même format d'API.
Claude 3.5 Sonnet d'Anthropic dispose d'une fenêtre de contexte de 200K tokens, bien plus petite que le 1M de Gemini 2.5 Pro. Claude prend en charge les entrées textuelles et d'images (jusqu'à 10 images). Le prix de Claude 3.5 Sonnet est de $3.00 par 1M de tokens en entrée et $15.00 par 1M de tokens en sortie, similaire à Gemini 2.5 Pro en sortie mais plus élevé en entrée. Aucun score MATH-500 n'est fourni pour Claude 3.5 Sonnet. Claude est reconnu pour sa solide compréhension du langage et sa sécurité. Gemini 2.5 Pro offre un contexte plus large, plus de modalités (audio, vidéo) et un raisonnement mathématique vérifié. Le choix dépend de si vous avez besoin du contexte supplémentaire et du support multimodal ou si vous préférez le style linguistique de Claude.
Compatible OpenAI — gardez votre SDK actuel
https://api.orcarouter.ai/v1https://api.orcarouter.aifrom openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="google/gemini-2.5-pro",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_tokensreasoningresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_p| Entrée / 1M tokens | $2.50 |
| Sortie / 1M tokens | $15.00 |
| Lecture cache / 1M | $0.250 |
| Devise | USD |
Estimation basée sur le tarif public
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
GET /api/public/models/google/gemini-2.5-proOuvrir @misc{orcarouter_gemini_2_5_pro,
title = {Gemini 2.5 Pro API},
author = {Google},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemini-2.5-pro}
}Google. (2025). Gemini 2.5 Pro API. OrcaRouter. https://www.orcarouter.ai/models/google/gemini-2.5-pro