谷歌 Gemini 3 深夜炸场：没有悬念的最强 AI

新王登基了。

作者｜Li Yuan

来了。

预热了快一个月的 Gemini 3 Pro，就在刚刚，正式在 Google AI Studio 上线 Preview 版，API 也同步开放。接下来将陆续上线Google的各项产品中。

没有任何多余的废话，打开 Model Card，满眼写着的只有两个字：碾压。

按照 Google 披露的测试数据，Gemini 3 Pro 毫无悬念地成为了目前地球上数学最强的 AI。在数学竞赛的「地狱模式」MathArena 里，当包括 GPT-5.1 在内的其他大模型还在 1% 上下挣扎时，Gemini 3 Pro 直接干到了23.4%。

编程能力方面，虽然在 SWE-Bench 上未拿 SOTA——但绝对属于第一梯队。Live Code Bench 的 Elo 得分超过 2400 分 ，在工具调用和终端操作基准测试中更是名列第一。

真正炸裂的是它的「视觉智能」。对屏幕截图的理解能力高达72.7%，是目前最先进水平的两倍。这意味着 Agent 不再是瞎子，它将彻底重塑 AI 操作计算机的模式。

但这还没完，Google 今晚还顺手扔出了一个小王炸：自家的 Agentic 编程平台——Google Antigravity。

此前网传 Gemini 3 能实现「端到端编程」，大家以为是模型成精了。但看起来，并不是模型成精，而是 Google 正在探索如何用更好的系统工程实现端到端编程。

如果说 Cursor 是目前最强的「外骨骼」，它通过 AI 补全让你写代码更快；那 Antigravity 就是奔着「自动驾驶」去的。它不再只是一个编辑器，而是一个智能体优先（Agent-first）发环境。集成了 Gemini 3 和能操控浏览器的 Gemini 2.5 Computer Use 模型，它的 Agent 能自己写代码、自己开终端跑测试、甚至自己打开浏览器验证 UI，发现报错自己修。

不讲故事，只拼肌肉。

Google 用这一波硬核发布宣告：新王已至。

有趣的是，这次连 Sam Altman 都献上了自己的点赞。：）

01

霸榜的暴力美学：不止是智商洗榜，更是 Agent 能力的变化

在 AI 圈子里，大家习惯了模型之间你追我赶的微弱优势，但 Gemini 3 Pro 抛出的这份成绩单，可以说十分耀眼。

根据 Model Card 披露的数据，Gemini 3 Pro 在推理、多模态、Agent 工具使用等关键基准上，实现了全方位的霸榜。

让我们先看一看代表人类智力「天花板」的测试——Humanity's Last Exam（人类最终大考）。这是一个衡量学术推理极限的标尺，GPT-5.1 在此前的测试中得分为 26.5%，Claude Sonnet 4.5 仅为 13.7%。而 Gemini 3 Pro 它直接轰出了37.5%的高分。在高端推理层面，这 10 个百分点的差距，意味着模型在处理复杂学术问题时，已经具备了完全不同的理解深度。

但这还不是极限。Google 甚至还藏了一手Gemini 3 Deep Think（深度推理模式），在不使用任何工具的情况下，它在 HLE 上的得分进一步飙升至41.0%。看起来人类最后的堡垒也并不能持续很久了。

数理方面的每一个领域，都能看出它的统治力。

AIME 2025（美国数学邀请赛）：配合代码执行（Code Execution），Gemini 3 Pro 的准确率达到了惊人的100%。没错，是满分。即便是「裸考」（无工具模式），它也有 95.0% 的准确率（相比之下，GPT-5.1 为 94.0%，Claude Sonnet 4.5 为 87.0%）。

MathArena Apex（数学竞赛地狱模式）：当包括 GPT-5.1 在内的其他大模型还在1%上下挣扎时，Gemini 3 Pro 直接干到了23.4%。这意味着在很多以前 AI 根本「看不懂题」的领域，Gemini 3 已经开始解题了。

而更关键的是 Agent 相关能力的提升。

Gemini 一向在多模态能力上领先，这一代更是专门优化了屏幕理解（Screen Understanding）。这是下一代 Agent 能否真正接管人类电脑的关键。

看ScreenSpot-Pro这一栏数据：

• GPT-5.1：3.5%（这基本意味着它是个「瞎子」）。

• Gemini 3 Pro：72.7%。

这是近乎20 倍的能力碾压！这标志着 Gemini 3 Pro 已经不再是一个单纯的对话框，它具备了真正意义上的「视觉智能」，能够像人类一样理解复杂的操作系统界面。

在一些传统强项上，Gemini 3 Pro 仍然表现出色——比如支持1M Token的超大上下文窗口、对多模态数据的「原生支持」、长视频和多语言处理等等。

有一个很有趣的标准也被 Google 挂了上来：在 一个模拟开店赚钱的基准 Vending-Bench 2 上，Gemini 3 Pro 最终赚取了$5,478.16的净资产，而 GPT-5.1 仅赚了 $1,473.43。

不过关于之前网传「彻底端到端终结程序员」的编程能力，Gemini 3 Pro 的状态是在 AI 届顶尖，但并没有「颠覆编程」。

在衡量软件工程能力的SWE-Bench Verified测试中，Gemini 3 Pro 得分为76.2%，虽然很强，但并未超越 Claude Sonnet 4.5（77.2%）拿到 SOTA。这意味着在处理超长程、极其复杂的后端逻辑时，它依然有局限性。

这也很合理。每一个大模型目前都在全力卷编程的情况下，想要在这个领域一骑绝尘确实比较难。

目前 Gemini 的能力更偏向于，还不能帮你重构整个后端架构，但如果你想写一个极具现代设计美学的网站、一个 3D 飞船游戏，或者生成复杂的 SVG 交互动画，它能通过一次提示就给出极其惊艳的、可直接运行的结果。

02

Antigravity，Agentic 编程的探索

有了最强的模型和算力，谷歌开始在应用层「掀桌子」了。今晚，谷歌扔出了一个「小王炸」——Google Antigravity。

前一阵新闻的风向还是模型公司努力收购 AI 编程应用公司呢，而 Google 这次则这么快的就发了自己的开发平台。

这不仅仅是一个新的 IDE，它是谷歌定义的Agent-first（智能体优先）开发平台。在这里，开发者从「码农」升级为「架构师」，而 Gemini 3 化身为拥有编辑器、终端和浏览器完整权限的「执行合伙人」。

为了达成这种体验，谷歌甚至在后台配置了一个「模型军团」协同作战：

• Gemini 3：作为大脑，负责高级推理和代码编写。

• Gemini 2.5 Computer Use：作为手眼，专门控制浏览器进行 UI 验证和测试。

• Nano Banana：作为美工，负责生成图像和 UI 素材。这种打通了底层模型到顶层交互的闭环体验，对于 Cursor 等现有 AI 编辑器来说，无疑是一次降维打击。

Antigravity 最有趣的能力在于并行。官方材料明确提到，开发者可以与多个智能 Agent 协作，而这些 Agent 能够代表你同时 自主规划并执行复杂的端到端软件任务。

想象一下这种工作流：你下达一个指令，Antigravity 瞬间分裂出多个 Agent——Agent A 负责写后端逻辑，Agent B 负责在终端跑测试用例，Agent C 直接打开浏览器去验证前端 UI 的交互效果。它们并行不悖，像是一个配合默契的敏捷开发小组，而你只需要验收它们提交的「工件」。

Antigravity 是是一个免费平台，网络上目前对于 Antigravity 的使用体验不多，但基本上都是好评。

要达到替代 Cursor 本身，肯定不太行——端到端的复杂编程体验，肯定还需要模型更成熟。但是简单的项目进行编程，或许会更简单了。

03

全家桶齐发力：TPU 与搜索

在大模型发展的后半程，比拼的不再是单一算法的灵光一闪，而是谁的算力更冗余、谁的数据更广阔、谁的投入更持久。Gemini 3 Pro 的胜利，有一点是很特别的：Gemini 3 Pro 是使用 Google TPU 训练的。

当全世界的 AI 公司都在苦苦等待英伟达 GPU 的发货周期时，谷歌依然坐在自家庞大的 TPU 矿山上。TPU 专为 LLM 训练设计，拥有极高的高带宽内存（HBM），这让它能够轻松处理海量的模型参数和超大的 Batch Size。正是 TPU 的算力冗余，给了 Gemini 3 Pro 肆意扩张参数规模的底气。

有了算力，还要有「燃料」。Gemini 3 Pro 的训练数据是全维度的覆盖：它吞噬了公共网络文档、代码库、图像、音频和视频。更关键的是，谷歌明确提到使用了User Data（用户数据）——当然是在隐私协议框架下，来自谷歌庞大产品生态的用户交互数据。

最后，这种溢出的智能被注入了 Google Search。Google 这次推出了一个全新的AI Mode in Search。当你搜索一个复杂概念（比如 RNA 聚合酶的工作原理）时，Gemini 3 不再是给你扔一堆冷冰冰的链接，而是利用其强大的推理能力，即时生成（Generated on the fly）一个沉浸式的互动图表或模拟工具。

从底层的 TPU 硅基霸权，到中间层的模型智能，再到顶层的 Antigravity 开发生态与生成式搜索——谷歌这一夜展示的，不仅仅是一个满分模型，而是一个只有巨头才能构建的、严丝合缝的未来。

04

实测体验

最后让我们看看网上的一些实测体验吧。

出名的六边形测试的升级款。

不少帖子提及了设计上的美感。

一些物理世界的建模。

前面提到的，Gemini 对于用户界面数据这块做了特别的优化。

开发应用。

在今天，大模型的性能已然超越了跑分的边界。即便是最顶尖、最复杂的前沿基准测试，其测量精度也开始失效。如何科学地量化模型之间的微妙差距，已经成为了一门专门的「量化科学」，仅凭用户简单的实测手感，很难窥见其中的全部玄机。

实测案例更多的也就是用来看看模型本身的审美和 one-shot 直出的状态。

Gemini 3 显然在这次的更新中，在直出的情况下，赢面很大。

当模型直出能力越来越好，对于开发者来说，未来更多的是要看你的品味能不能跑过模型，你的点子是不是足够与众不同了。

*头图来源：视觉中国

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你觉得人类的审美跑的过

AI 的直出审美吗？

扎克伯格：傲慢就会失败，创造应该服务群众

点赞关注 极客公园视频号 ，