（一）

不得不说，最近的AI圈，又被谷歌刷屏了。

11月18日，谷歌正式发布Gemini 3系列模型，各大科技媒体、开发者社区瞬间炸锅。什么"断层式碾压"、什么"一夜封神"、什么"新王登基"，各种溢美之词铺天盖地。

LMArena评分1501登顶榜首，数学能力23.4%秒杀全场，ARC-AGI测试31.1%甩开GPT-5两倍……

哪知道，这些漂亮的数字背后，真实情况远不止大家看到的那么美好。

我测试了几天Gemini 3 Pro，坦率地说，有些话憋在心里不吐不快。

全网都在喊"真香"的时候，是时候冷静一下了。

（二）

先说最让人无语的——提示词遵循能力。

这可能是Gemini 3最大的槽点。

知乎上有位开发者直言不讳："提示词遵循能力太烂了。"现阶段测试下来，在严格遵循用户指令这件事上，Gemini 3 Pro竟然排在GPT-5 Pro、Opus 4.1甚至Grok 4.1之后。

更离谱的是，Gemini 3输出的稳定性过分倾向于它宣传的那几个功能——前端代码生成、论文复现、多模态理解。

如果你的需求恰好在这些领域，那确实很香；但如果你想让它老老实实按你的要求做点别的，对不起，它经常有一种"鸡同鸭讲"的感觉。

有开发者测试发现，同样的任务，更简单的提示词就能让GPT-5或Claude Sonnet 4.5一次搞定，但Gemini 3需要反复调整提示词才能达到预期效果。

这很谷歌——技术秀得飞起，实用性却打折扣。

（三）

还有那个让全网高潮的"数学能力"。

MathArena竞赛23.4%的成绩，确实吊打其他模型的1%左右。但仔细看测试案例就会发现问题。

有位自动驾驶工程师设计了4道PointNet相关的面试题，Gemini 3确实全对了。但他紧接着测试了一道财务税收计算题——结果Gemini 3把"税"理解成了"手续费"，整个推理过程南辕北辙。

更诡异的是，当用户明确指出"这是税务问题而非手续费"后，Gemini 3才恍然大悟给出正确答案。

问题来了：一个号称"博士级推理能力"的模型，连题目中明确说明的"预征收个人所得税"都理解不了？

这不是数学能力的问题，而是常识理解和上下文把握的问题。

有开发者一针见血："Gemini翻车的并不是数学能力，而是财务理解能力。"

再看看谷歌引以为傲的"复现论文"功能。

如果论文内容基础、进入了教科书，效果确实好到离谱；但测试一篇复杂的生物学数学建模论文，30个参数、多层假设——结果是"灾难性得糟糕"。

这说明什么？Gemini 3的能力高度依赖训练数据覆盖。遇到成熟领域就是学霸，碰到前沿课题立刻原形毕露。

（四）

最后，还是忍不住要感叹一下。

谷歌啊谷歌，你怎么又玩这套？

当年AlphaGo横空出世时，全世界都在惊叹谷歌的技术实力。但后来呢？TPU只给自家用，开源模型迟迟不见踪影，Android越来越臃肿……

现在的Gemini 3，又是一个典型的"谷歌式产品"：

技术Demo炫得飞起——一句话生成3D游戏、SVG矢量图秒出、多模态理解碾压全场;

实际体验槽点满满——提示词遵循拉胯，理解偏差时有发生;

定价策略高高在上——API成本全行业最贵，还美其名曰"性能优越理应如此"。

更关键的是，Gemini 3所谓的"断层式领先"，很大程度上是因为谷歌把整个生态都绑在了一起——TPU提供算力、搜索承担入口、Android和Chrome撑起交互层、Workspace负责执行任务。

这种"平台级碾压"，本质上是用生态优势碾压技术竞争。

对手们并不是技术不行，而是根本没有这套完整的牌可打。

（五）

说了这么多，我并不是否认Gemini 3的价值。

它在多模态理解、前端代码生成、视觉识别等方面,确实达到了新高度。那些一句话生成可玩游戏的Demo，也足够惊艳。

但我想说的是：

AI模型不是跑分比赛，更不是技术堆砌的秀场。

一个好的AI助手，应该是能准确理解用户意图、稳定输出预期结果、成本可控且易于集成的工具。

从这个角度看，Gemini 3还有很长的路要走。

更重要的是，当全网都在无脑吹捧的时候，我们需要有人站出来说点真话。

AI行业已经够浮躁了，各种"遥遥领先"、各种"碾压友商"、各种"改变世界"……

结果呢？大部分产品都是PPT造火箭，真正落地能用的寥寥无几。

Gemini 3确实强，但远没有宣传的那么神。

(作品声明：来源网络公开资料，个人观点、仅供参考)