遥遥领先，Gemini 3化身无情的屠榜机器

如果只看数字，Gemini 3 这一代的成绩几乎去全面碾压。它不是在一个榜单上领先，而是把能刷的榜单都刷了一遍；不是以某一项特色出圈，而是把多模态、推理、Agent 三条最难突破的线路，一次性拉到行业天花板。

先看推理能力。

在开放评测平台 LMArena 上，Gemini 3 Pro 以 1501 分的成绩站到通用模型第一梯队的最前列。在 SimpleQA Verified 这种强调事实性与复杂问答准确度的测试里，它达到 72.1%，意味着幻觉率和知识错误率被显著压低。

在更加严苛的人类“终极试卷” Humanity’s Last Exam 中，它在不借用任何外部工具的情况下拿到 37.5%；在博士级科学问答 GPQA Diamond 上更是达到 91.9%；在数学难题集 MathArena Apex 上刷新最新记录，拿下 23.4%，为数学推理模型树立了新的基准线。

真正具有象征意义的，是它的 Deep Think 模式。当模型能够分配更多 token、延长推理链路后，它在 Humanity’s Last Exam 上跃升至 41%，在 GPQA Diamond 上攀升到 93.8%，在 ARC-AGI 上突破 45%。

这些都是传统 scaling law 被认为“撞墙”的任务，而上一代 Gemini 2.5 在 ARC-AGI 上还不到 5%。在 2025 年这样一个对推理悲观论甚嚣尘上的时期，这种接近 10 倍的跨越无疑刺破了行业的认知天花板。

再来看多模态表现。

Gemini 3 Pro 在 MMMU-Pro 上取得 81%，在 Video-MMMU 上达到 87.6%，几乎把这几年所有主流多模态模型的纪录重新洗牌。这两项被业内视为真正的“硬试卷”，考验的不是看图回答，而是在跨图像、跨学科、跨语境的混合任务中，保持一条不被打断的推理链条。

真正让行业震动的，并不是这些高分本身，而是它如何得到这些分数：Gemini 3 首次把“视觉理解”与“逻辑推理”合成同一种能力。

谷歌展示了一个场景——一个手写、符号混杂、排版混乱的本子，模型不仅能精准 OCR，还能自动消解符号不一致带来的歧义，最终给出的答案甚至比受过训练的学生更稳定。

更关键的是，这些表现全部来自一个通用模型，而不是图像或视频方向的专精模型。这意味着多模态不再是外挂能力，而是模型内部原生的一部分。

随着这些能力被整合在一起，Gemini 3 逐渐显露出一种超出语言层面的“操作心智”：它不仅能理解视觉结构，也能读懂界面变化、预测用户操作，甚至推断环境动态。推理不再只是答题，而开始向“理解世界如何运作”迈一步。

最后看 Agent 能力。

Gemini 3 Pro 的进步已经不是“更强一点”，而是直接跨到一个新的层级。

在 t2-bench 这项工具与系统操作测试中，它拿到 85.4% 的高分，意味着模型不仅能理解你的指令，还能像工程师一样在真实软件环境里调用 API、处理文件、执行系统命令。这是检验 Agent 真本事的关键，一旦失误就无法伪装，而 Gemini 3 Pro 展现出了顶尖的稳定性。

真正体现智能体“耐力”的，是 Vending-Bench 2。这项测试模拟一个自动售货机一整年的运营，考验模型能否长期记住目标、保持策略不跑偏。Gemini 3 Pro 最终获得 5478 分，明显领先所有同级模型，展现出罕见的长链任务稳态能力。

在 Terminal-Bench 2.0 中，它还需要在 Unix 环境里读日志、改配置、跑验证，模拟一次真实的自动化修复流程。它的 54.2% 得分说明，它不仅会“说”，也真的会“修”。

这些数字背后的共性其实只有一个：

Gemini 3 不再是“某个维度特别强”的模型，而是第一次在推理、多模态、Agent 三个最难突破的方向上，同时达成了可观的领先优势，而且全部集中在同一个通用模型里。

从模型到产品：Gemini 3 把“答案”变成了“界面”和“行动”

如果说榜单告诉我们的是“能力”，那产品呈现的则是这些能力如何被组织起来、如何被普通人真正用到手里的。

在 Gemini 3 身上，谷歌做了两件过去很少有人认真做的事：

第一，把模型的输出从“文本”升级成“界面”；

第二，让模型从“对话参与者”变成“任务执行者”。

在日常使用中，最直观的变化发生在 Gemini App 自身。新版应用已经不再是一个单一对话框，而更像是一个“由模型驱动的工作空间”。在这里，你可以在 Canvas 中用自然语言构建完整的程序、应用或原型——Gemini 3 Pro 负责多步骤的规划、代码生成、界面生成和调试，你只需要不断描述你想要的效果。

另一条非常关键的产品线，是所谓的“生成式界面”（Generative Interfaces）。在 Google 的研究与产品博客中，这被称为一类全新的交互体验：用户发出一个自然语言请求，模型不是直接返回一段答案，而是即时生成一个结构化的、视觉化的界面。

Google 把这种能力分成两类实验形态：视觉布局负责“把复杂信息排版成一篇好读的杂志页”，而 Dynamic View 则直接生成可以操作的计算器、图形、模拟器、图廊甚至完整的小工具，让回答本身就变成一个“能动”的界面。这些体验已经开始在 Search 的 AI Mode 中出现，用户可以在搜索里直接见到动态布局、交互组件和实时模拟。

与此同时，Gemini Agent 作为一项仍在实验阶段的能力，负责把这些“理解”和“界面”延伸到行动层面。在 Gemini App 中，它可以连接 Gmail、Calendar 等 Workspace 应用，自动为你整理邮箱、归类任务、提炼行动项，甚至根据邮件中的航班信息和预算需求，主动比较租车、预订酒店，再把决策节点交给用户确认。

对开发者而言，Google Antigravity 则是另一个意义重大的新物种。The Verge 和 TechCrunch 的报道都指出，这个 IDE 本质上是一个“agent-first”的开发环境：多个 Gemini 3 驱动的代理可以同时在编辑器、终端、浏览器三处操作，生成代码、执行命令、打开网页、做验证，并把整个过程记录为 Artifact 供人类复盘。

整条产品线串起来，会发现 Gemini 3 正在做一件非常有野心的事。

它试图把“答案”升级为“可操作的界面”，再进一步升级为“真实执行的行动”，最终把模型变成一个“能替你做完一件事”的系统，而不仅仅是一个“告诉你怎么做”的顾问。

Gemini 3 到底改变了什么？

从表面看，Gemini 3 只是把一堆 benchmark 刷到了新高，把搜索、App、IDE 同步做了升级；但如果把这些碎片放在一起看，就会发现它其实踩中了几个关键的技术与产品转折点。

第一，统一模型路线第一次有了清晰的技术样本。

过去几年，业界在多模态这件事上有一个隐形共识：想要图像强，就做一个图像向的专精模型；想要推理强，就做一个思考向的推理模型；想要 Agent 能力，就往工具调用上拼命堆安全与流程。结果就是，每条赛道上都有一些强模型，但真正能在同一个模型里把三件事都做好的，几乎没有。

Gemini 3 给出的答案是：不拆分、不堆叠，而是真正做一个原生多模态、原生推理、原生 Agent 的统一架构。也就是说，这不是“多模型拼盘”，而是一个统一心智在面对不同任务。

第二，“scaling law 撞墙”这句话，恐怕要重新讨论了。

过去一年，大家对于 scaling law 的悲观，主要来自两个现实：其一是预训练数据逼近上限，其二是参数继续往上堆却难以换来线性可感知的推理提升。但 Gemini 3 在 ARC-AGI、Humanity’s Last Exam 等极难基准上的跳跃式表现说明，真正起决定性作用的，很可能并不是“堆多大”，而是“结构、训练范式和任务设计有没有跟着一起升级”

第三，交互范式正在从“对话式 AI”迈向“界面式 AI”。

ChatGPT 把整个行业带入了“对话优先”的交互世界，大家开始习惯在一个大输入框里问所有问题。但 Gemini 3 的 generative UI、Dynamic View 等能力表明，谷歌相信的下一步，是让模型直接生成界面、页面、控制面板、模拟器，而不再把“答案”局限在一条条文本里。

当模型可以根据你的问题即时构造出一个适配任务的 UI 时，人与 AI 的关系就从“问—答”变成了“设定任务—共同操作界面”。AI 不再只是在语言层面辅佐你，而是开始和你共享一个可操作的工作环境。

第四，谷歌拿到了Nano Banana之后又一次“产品侧翻盘窗口”。

OpenAI 在 GPT-5 / GPT-5.1 这一代上并没有像 GPT-4 那样形成压倒性优势，反而给了竞争对手喘息空间。而谷歌这次的打法非常明确：模型端用统一架构“屠榜”，产品端在 Search、Gemini App、Workspace、Antigravity 全线铺开，交互上又用 generative UI 和 Agent 拉开与传统对话式 AI 的差异。

如果这些能力在接下来半年到一年里持续稳定，不只是开发者，普通用户也会真切地感受到“这代产品不太一样了”。那时，谁在消费级 AI 上更有优势，很可能就要重新算账。

全面反攻——Google AI 战略的真正底牌

Google的转变并不是爆发，而是一次漫长沉淀后的结构性反攻。

在 Google 内部，“AI-first”已经不再是口号，而是一次痛下决心的自我改造。皮查伊多次在公开采访中强调：Google 正在进入“AI-first 的第二阶段”。这句话意味着公司核心身份悄然改变——它不再把自己视为一家搜索公司，而是要成为下一代计算平台的创建者。搜索、Android、Chrome、Workspace、YouTube、Cloud 等所有核心业务都在围绕 Gemini 重构，甚至连公司 2025 年接近 900 亿美元的资本开支，几乎都指向同一件事：为模型供电，为未来铺路。

组织结构上的调整是这次反攻的起点。Google Brain 与 DeepMind 的合并，让全公司的模型路线首次“统一指挥”。DeepMind CEO Demis Hassabis 负责整条模型主线，Jeff Dean 转向长期研究；所有顶级芯片、TPU 和工程资源开始向 Gemini 集中。这种集中让 Google 结束了过去那种“研究多、产品慢”的状态，第一次把十多年积累的基础研究能力真正整合成可落地的产品。Gemini 3 的推理能力、Veo 3 的视频建模、Nano Banana 的图像编辑、Genie 3 的世界模拟——这些并不是奇迹，而是论文体系第一次系统化落地。

更关键的是，Google 不再满足于“模型更强一点”，而是想重新定义用户与信息的关系。外界习惯把这场竞争描述为“Google 对 OpenAI”；但从 Google 的战略动作来看，它要的不是一个更强的 ChatGPT，而是一个新的入口体系。

Gemini Agent 成为新的工作入口，AI Mode 重塑搜索入口，Gemini App 成为移动入口，NotebookLM 成为知识入口，Veo 3、Nano Banana 是视觉内容入口，Genie 3 则是未来智能体训练的虚拟入口。Google 不准备围绕某个产品竞争，而是试图重构“AI 时代的操作系统”。

为什么 Google 这次变得如此激进？

答案很简单：这是一场生死局。AI 生成答案让搜索的护城河开始变薄，广告模式面临潜在风险，用户的第一触点也可能迁移到 AI 通道。如果不能重新定义入口，Google 的核心商业模式就会动摇。对于一个过去二十年靠搜索主导互联网的巨头来说，这不是“赢不赢”的问题，而是“能不能留在桌上”的问题。

也正因为此，Google 过去的谨慎正在被新的节奏所取代。内部开始出现跨部门座位混编的合作方式，搜索工程师与 DeepMind 的研究者一起调试 AI Mode，Android 团队与 Labs 共同推进 Gemini App 的 UI 迭代。曾经开放、松散、鼓励长期研究的文化，正在被一种更集中、更执行导向的节奏替代。甚至连高层人事安排也指向同一个方向——让更懂产品、懂用户、懂节奏的人接手关键业务。NotebookLM 背后的 Josh Woodward 接掌 Gemini，就是典型例子。

今天的 Google 不仅恢复了工程速度，也重新找回了“用产品定义技术”的能力。Gemini 3 让人看到它仍然具备构建顶级模型的硬实力；Veo 3、Nano Banana 证明 Google 在多模态领域依旧有别人无法复制的深度；Genie 3 则是 Google 对世界模型的押注，这些都是指向未来十年的关键方向。

未来的格局尚未定型，但有一点几乎可以确定——当一家公司同时掌握搜索入口、移动系统、浏览器、办公套件、云和世界模型，它一旦重新踩住节奏，力量会呈指数级回流。