Gemini 3：Google 迄今最强大的大语言模型

在那次试验之后，我想做点更经典的东西。具体来说，我想到的是在没有网络时打开浏览器会出现的 Chrome 恐龙小游戏。

Make me a simple side-scrolling game like the Chrome dinosaur that jumps over cactuses when the internet is down.

于是，Gemini Runner 登场：

一些小细节也让我会心一笑。Gemini Runner 有同样的繁星夜空，这甚至不在提示里。输掉时它还会显示“Extinct”。

多模态能力

为了测试多模态能力，我上传了一张六岁小孩画的图片。

随后我让它把这幅场景做成一个简单的游戏。我的提示如下：

Generate a simple browser game using the elements in this image. Base the game on what’s shown.

在这个提示中，我刻意没有描述图片里的任何具体元素，因为我想看看它能否解读视觉内容，并围绕所见生成游戏。

结果是一个名为Snowy’s Day的小游戏，您可以移动火柴人去接住飘落的雪。

如您所见，游戏元素直接取自我分享的图片。我对其在精神内核上的忠实度印象深刻，但它肯定算不上世界上最好玩的游戏。不过，也许对六岁小孩来说会很好玩。

顺带一提：Gemini 的确识别出图里的是雪。我还为此有点内疚，因为我以为他画的是星星！

Gemini 3 基准测试

Google 为 Gemini 3 Pro 与 Gemini Deep Think 提供了详尽的基准数据，整体结果相当亮眼。

Gemini 3 Pro 基准

就纯粹的推理能力而言，Gemini 3 Pro 展示了 Google 所谓的“博士级推理”。亮点如下：

视觉推理

视觉推理实现了巨大飞跃。

• 在 ARC-AGI-2 上，Gemini 3 Pro 取得 31.1% 的得分。这相比 Gemini 2.5 Pro 的 4.9% 有了巨大提升，且大幅领先 Claude Sonnet 4.5 与 GPT-5.1。
• 同样地，在测试屏幕理解的 ScreenSpot-Pro 上，Gemini 3 Pro 达到 72.7%，远超 Claude Sonnet 4.5（36.2%）与 GPT-5.1（3.5%）。

这两项都标志着模型对视觉信息的理解与推理能力实现了巨大跨越。

数学

在 MathArena Apex 中以 23.4% 的得分，Gemini 3 Pro 压倒性领先。横向对比：Gemini 2.5 Pro 为 0.5%，Claude Sonnet 4.5 为 1.6%，GPT-5.1 仅为 1.0%。这为数学推理的前沿模型树立了新标杆。

长时程规划

为衡量长时程规划，有一个名为 Vending-Bench 2 的基准，会模拟运营一台售货机长达一整年。模型需持续就库存、定价等做出决策。它测试的是 AI 能否在数以千计的连续选择中，始终保持与目标一致的理性决策，而不出现失控。

在该基准上，Gemini 3 Pro 的平均净资产为 5,478.16 美元。对比 Claude Sonnet 4.5（3,838.74 美元）与 GPT-5.1（1,473.43 美元）。这听起来像个冷门基准，但对于需要跨越数天或数周管理任务的真实世界 AI 智能体而言，这类稳定性非常关键。

其他基准

Gemini 3 Pro 在多项其他基准上也表现强劲。它在多模态理解（MMMU-Pro）、视频理解（Video-MMMU）、图表推理（CharXiv）与竞赛编程（LiveCodeBench Pro）上领跑。

一个值得注意的例外是：在软件工程基准 SWE-Bench Verified 上，Claude Sonnet 4.5 以微弱优势领先 Gemini 3 Pro。

Gemini 3 Deep Think 模式基准

现在来看 Gemini Deep Think 的基准。这是当前由安全测试人员评估的增强推理模式，预计将在未来数周内向 Google AI Ultra 订阅用户开放。

您可能会问：既然 Gemini 3 Pro 已经登顶排行榜，Deep Think 模式还有何意义？答案是有些问题将受益于延长推理时间。Deep Think 通过并行与延展推理，在尤其困难的任务上投入更多算力。它设计为花更久时间，但对于最难的推理问题，这段额外处理时间会带来实实在在的提升，正如下列基准所反映：

新颖问题求解

对我而言，ARC-AGI-2 的成绩最为亮眼。启用 Deep Think 模式的 Gemini 3 在 ARC-AGI-2 上取得 45.1%。（这是与 ARC Prize 竞赛相关的官方验证版本。）该测试允许模型编写并运行代码作为推理工具，实质上用编程来辅助思考。

为何重要？ARC-AGI-2 专门测试模型解决新颖且不熟悉挑战的能力。这些问题模型从未见过，无法仅凭训练数据的模式匹配来应对。历史上，这一直是 AI 系统最难的能力之一，因此高分意味着我们看到的是真正的推理能力，而非记忆背诵。

极其困难的问题

在 Humanity's Last Exam 上，未使用任何工具的 Deep Think 模式取得 37.5%。启用 Deep Think 后，这一成绩跃升至 41.0%。作为参考，GPT-5.1 的得分为 26.5%。

这个基准很有意思，因为它旨在测试人类理解极限处的知识与推理。可以把它看作需要深厚专业知识才能解决的极难问题。Gemini 3 借助 Deep Think 能正确回答三分之一以上的问题，说明它不仅在复述信息，而是在对极其复杂与模糊的问题进行真正的推理。

研究生水平的科学

Deep Think 模式在 GPQA Diamond（研究生水平的科学问答基准）上取得 A 的成绩——91.9%。启用 Deep Think 后进一步提升至 93.8%。尽管 91.9% 已相当出色，更有意思的是这表明 Deep Think 还能在此基线上继续改进。

如何访问 Gemini 3？

Gemini 3 Pro 现已在多平台上线。您可以立即在 Gemini 应用中使用它。它也为搜索中的 AI 模式提供支持，因此您可能在不知不觉中已经与 Gemini 3 交互。

如果您是开发者，您可以通过 Google AI Studio、Vertex AI 与 Gemini CLI 的 Gemini API 访问 Gemini 3 Pro。它也已登陆新发布的 Google Antigravity 平台，以及 Cursor、GitHub、JetBrains、Manus 与 Replit 等多款第三方工具。

Google AI Ultra 订阅用户可访问 Gemini 3 Pro 以及用于构建多步智能体的实验功能 Gemini Agent。Deep Think 目前正由安全测试人员评估，待完成更多安全评估后，将在未来数周内向 Ultra 订阅用户开放。

对于学生，Google 推出了一年期免费计划，提供对 Gemini 3 Pro 的访问权限、无限图片上传、2 TB 存储空间，以及 NotebookLM 等附加工具。

Google 如何使用 Gemini 3

Gemini 3 Pro 已经在实际环境中投入使用，Google 已在两项关键功能中启用它：

Google 搜索的 AI 概览

Google 对这一新模型信心十足，罕见地将其直接整合进 Google 搜索。尽管自四月以来 AI 概览已在越来越多页面中上线，但自发布日起，Gemini 3 Pro 将为这些概览提供支持。

Gemini 3 与 Google Antigravity

本次发布的另一大亮点是全新的具身智能体开发平台——Google Antigravity。

这一新工具由 Gemini 3 的推理、工具使用与智能体编码能力驱动。Google 承诺它将带来类似 AI IDE 的熟悉体验，但智能体将能直接访问编辑器、终端与浏览器，自主帮助您规划、编写与检查复杂项目。

Antigravity 将与 Gemini 3 Pro、用于浏览器控制的Gemini 2.5 Computer Use 模型，以及用于图像编辑的Nano Banana（Gemini 2.5 Image）对接。

结语

通过此次发布，Google 明确传达了一个信号：他们重回“最强 AI 模型”之争，并以极快速度在整个产品生态中大规模落地。就规格而言，很难不同意这一点；在多模态理解方面，Gemini 3 Pro 的确像是当下全球最强的 AI 模型。

一如既往，Google 具备得天独厚的优势。其云基础设施、定制芯片与垂直整合的 AI 栈相互加持，带来少有对手能匹敌的性能。由于提升覆盖推理、编程、多模态理解与长时程规划等方方面面，这强烈暗示 Google 在 Gemini 3 Pro 上对核心架构进行了基础性改进。更重要的是，Google 似乎正围绕具体的商业用例进行构建，我们使用 AI 的方式正迅速变得更加多样与有趣。

如果您需要系统入门 AI 相关内容，建议从AI Fundamentals 技能路径开始。