这才是真正的Agent！谷歌Gemini 3实现“全链路”思考，从规划到执行一气呵成，Claude还在第一步！

最新推荐文章于 2025-11-27 14:26:48 发布

原创最新推荐文章于 2025-11-27 14:26:48 发布 · 1.1k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #AIGC #宠物 #架构 #汽车

1 谷歌发布 Gemini 3.0，多项基准测试碾压一众模型

刚刚，谷歌发布了其划时代的 AI 模型——Gemini 3.0，与过去以往发布模式不同的是，这次谷歌甚至连一场发布会都没有召开。

过去几个月，谷歌的 Gemini AI 一直深陷争议之中。隐私诉讼、图像生成失败、API 变更破坏性升级激怒了开发者，各种负面新闻层出不穷。人们纷纷指责谷歌急于将产品推向市场，偷工减料，最终在人工智能竞赛中败给了 OpenAI。

在一片骂声中，谷歌只通过一篇博客就放出重磅模型的行为也就不难理解了。

代表 Gemini 团队的谷歌 DeepMind CEO Demis Hassabis 和谷歌 DeepMind CTO 兼谷歌首席人工智能架构师 Koray Kavukcuoglu 共同在官网上发布了这款最强模型的详细介绍。

据介绍，Gemini 3 是谷歌迄今为止 最智能、适应性最 强的模型，能够帮助应对现实世界的复杂性，解决需要增强推理和智能、创造力、战略规划以及逐步改进的问题。它特别适用于需要：智能体性能、高级编码、长上下文和 / 或多模态理解，以及 / 或算法开发的应用。

Gemini 从一开始就旨在无缝整合任何主题的多模态信息，包括文本、图像、视频、音频和代码。Gemini 3 结合了其先进的推理、视觉和空间理解能力、领先的多语言性能以及百万级上下文窗口，相比之下，Claude Sonnet 4.5 和 GPT 5.1 的最大输出量停留在数万或者数十万级别。

Gemini 3.0 已第一时间登陆 AI Studio、Gemini CLI，以及 Cursor、GitHub、JetBrains、Cline 等最重要的开发者入口。

谷歌还表示，今天起，将发布 Gemini 3 Pro 预览版，并将其集成到一系列 Google 产品中。此外，谷歌还将推出 Gemini 3 Deep Think——这是其增强的推理模式，可进一步提升 Gemini 3 的性能——并在向 Google AI Ultra 订阅用户开放之前，先向安全测试人员开放试用。

Gemini 3 Pro 虽然也采用的是稀疏混合专家（MoE）架构，但并不是先前模型的修改或微调版本。这种基于 MoE 设计的核心优势在于实现了总模型容量与单 token 计算成本的解耦——模型可通过大规模参数储备提升能力上限，同时仅激活部分参数完成计算，在保证性能的同时显著降低资源消耗。

例如，如果想学习如何烹饪家族传统菜肴，Gemini 3 可以解读并翻译不同语言的手写食谱，生成可与家人分享的食谱。

或者，如果想学习某个新主题，用户可以提供学术论文、长篇视频讲座或教程，它可以生成交互式记忆卡片、可视化或其他格式的代码，帮助您掌握相关知识。

它甚至可以分析匹克球比赛视频，找出可以改进的地方，并制定训练计划，帮助全面提升球技。

在 2.5 Pro 成功的基础上，Gemini 3 兑现了将开发者的任何想法变为现实的承诺。它在零样本生成方面表现出色，能够处理复杂的提示和指令，从而渲染出更丰富、更具交互性的 Web 用户界面。

据谷歌称，Gemini 3 还是谷歌迄今为止构建的最佳 Vibe Coding 和代理编码模型，它使得谷歌的产品更加自主，并显著提升了开发者的效率。

而在代码能力之外，Google 这次更大的动作，是试图借 Gemini 3 彻底重塑开发体验，让其从“代码自动补全”迈向“agent-first”。

伴随 Gemini 3 发布，他们推出了全新的智能体开发平台 Google Antigravity，目标是让开发者从具体指令、单次调用，跃迁到更高层次的“任务导向型开发”。据说，这是谷歌自己的 VS Code 分支。

除了 Gemini 3 Pro，Antigravity 还深度集成了最新的 Gemini 2.5 Computer Use 模型（用于浏览器自动化操作）以及 Nano Banana。

Gemini 3 系列模型的成功离不开谷歌全栈技术生态的支撑。硬件层面，模型完全基于谷歌张量处理单元（TPU）集群训练，这种专为大语言模型设计的芯片凭借高带宽内存和并行计算能力，较传统 CPU 实现了训练速度的数量级提升。通过 TPU Pods 集群的分布式部署，谷歌将庞大的训练任务拆分至多个设备并行处理，既保证了模型训练的效率，又通过硬件优化践行了可持续运营承诺。

在数据层面，Gemini 3 Pro 的训练数据体系呈现出多元化与高合规性的双重特征。其数据集不仅包括公开网页数据、可下载数据集及商业许可数据，还纳入了符合谷歌服务条款的用户互动数据、员工生成数据及 AI 合成数据。

为平衡数据丰富性与安全性，谷歌建立了多维度数据处理机制：通过遵守 robots 协议规范爬虫行为，利用安全过滤技术践行 AI 安全承诺，同时针对儿童性虐待材料（CSAM）等违法内容实施专项过滤。

特别值得注意的是，模型在训练过程中融入了强化学习技术，通过多步推理、定理证明等专业数据优化问题解决能力。

具体而言，Gemini 3 Pro 在各项基准测试中表现如何？

2 能力到底有多强？

我们在这里专门从 代码能力、数学推理能力，以及 Agent（工具使用与长期任务）能力 三个维度，对 Gemini 3 Pro 的能力进行解读。

在代码生成和工程落地上，Gemini 3 Pro 的跃升非常明显。

在 LiveCodeBench Pro（接近 ICPC / Codeforces 难度的竞技编程）上，Gemini 3 Pro 得分 2439（Elo，数值越高越好），不仅高于 GPT-5.1 的 2243，也远超 Claude 4.5 的 1418。这个分数段基本已经逼近“专业竞赛级程序员”的水平，而且在同类模型中优势最为明显——在高难度算法与数据结构题上，G3 Pro 已经是第一梯队。

在 SWE-bench Verified（真实 GitHub issue 自动修复，Agentic coding）上，Gemini 3 Pro 得分 76.2%，与 GPT-5.1 的 76.3% 几乎持平，略低于 Claude 4.5 的 77.2%。SWE-bench Verified 更接近真实工程环境：多文件仓库、测试驱动、一次性打补丁。G3 Pro 在这一指标上已经稳居顶级模型阵营，与 GPT-5.1 和 Claude 4.5 基本等价，而相较 2.5 Pro 则是一次“代际级”跨越。

在数学方面*AIME 2025 这一项，Gemini 3 Pro 裸分为 95%，开启 code execution 后可以做到 100%。这里的 “100% with code execution” 意味着模型能够主动调用 Python 等工具链完成严格推导——这其实是 Agent 能力与推理能力深度融合 的一个关键信号。这个成绩不仅高于 GPT-5.1 的 94%，也领先于 Claude 4.5 的 87%（Claude 同样在开启 code execution 时可达 100%）。

AIME 2025 被认为是全球最难的高中奥数试题集合，MathArena Apex 的难度则接近大学高等数学 / 奥数级别。在 MathArena Apex 上，Gemini 3 Pro 远超其他模型（Gemini 2.5 Pro 仅 0.5%）。因此，Gemini 3 Pro 的核心升级并不仅仅是模型变大，而是 “推理能力 + 工具链整合” 的双重跃迁。

在 Agent 能力方面，Gemini 3 Pro 的提升可以说是“断层式”的。无论是工具调用、操作系统级任务，还是跨阶段的长期规划，它都展现出了超越前代、并跻身行业顶尖的综合能力。

t2-bench（工具调用 & 操作系统任务，Agentic tool use），Gemini 3 Pro 得分 85.4%，与 Claude 4.5 的 84.7% 基本持平，明显高于 GPT-5.1 的 80.2%，远超 2.5 Pro 的 54.9%。t2-bench 主要考察模型在真实软件环境中“使用工具执行任务”的能力，包括 API 调用、函数调用、文件操作、系统指令执行等典型 Agent 行为。

这一项是“Agent 的真正核心竞争力”。Gemini 3 Pro 在此不仅与 GPT-5.1、Claude 4.5 并列顶尖阵营，还明显比上一代 2.5 Pro 高出一个量级。

Vending-Bench 2（长期任务规划，越高越好），Gemini 3 Pro 得分 $5,478，显著高于 Claude 4.5 的 $3,838，大幅领先 GPT-5.1 的 $1,473，也远超 2.5 Pro 的 $573。Gemini 3 Pro 的表现可以说是“代际级领先”。在长任务执行、自动化工作流、任务可靠性上，它不仅进入第一梯队，甚至与竞品拉开了非常明显的差距。

Terminal-Bench 2.0（Unix 环境指令执行 & 自动修复）中，Gemini 3 Pro 得分为 54.2%，明显高于 GPT-5.1 的 47.6%、Claude 4.5 的 42.8%，以及 Gemini 2.5 Pro 的 32.6%。

Terminal-Bench 测试的是一个 Agent 在真实 Unix 环境中能否读日志、定位问题，执行文件系统操作，修改配置并验证结果，完成类似 CI 的自动修复流程——本质上是在回答一个问题：“这个东西能不能真的上生产系统？” 在这一项上，Gemini 3 Pro 的表现同样处于显著领先的位置。

从代码助手到 Agent 开发新基建

这种能力跃升背后，是谷歌对“AI + 软件开发”路线的集中押注。

在今年 2 月推出 Gemini 2 后，谷歌在 4 月迅速调整了 Gemini 的管理层，将领导权交给了 Google Labs 负责人 Josh Woodward——这位同时负责 otebook LM 与 Project Mariner（Chrome 控制 Agent）的产品负责人，长期深耕“AI + 软件开发”，对编码工作流与 Agent 思维方式有深刻理解。

Woodward 在多次公开讨论中也强调了同一件事：代码，是 Google 内部规模最大、持续增长最快的 AI 应用场景。“Google 有上万名工程师，而 AI 正在重塑整个软件生产流程，所以我们会从‘软件开发的未来是什么样？’开始思考，既对 Google 内部构建，也对外部用户负责。”

Jeff Dean 也曾公开表示，Google 内部已有 25% 的代码由 AI 自动生成，而且这个比例还在快速增长。换句话说，Gemini 每一次的迭代，都直接影响着谷歌数万工程师的生产方式。

按 Woodward 此前的说法，编程是一个被低估的方向：“如果你能让代码模型自己写代码、自己纠错、自己修复、自己迁移旧系统，那你会发现：原本已经很快的技术进步曲线，会被彻底改写。 所以我觉得这块虽然已经炒得很热了，但远远不够热，它应该被炒得更热。”

在他看来，未来系统将依赖更长上下文、更深的工具链整合以及更强的自动化能力去完成复杂工作流，而编码能力正是这一切的地基。换句话说，Gemini 的代码能力不只是产品特性，而是 Google 推动下一代 Agent、自动化系统和 AI 原生软件工程的战略支点。

从这组信号来看，Gemini 3 Pro 在代码生成、工程修复与 Agent 能力上的大幅跃升，并不是偶然，而是谷歌从领导层到产品方向的刻意押注。

3 网友评价如何？

Gemini 3 才发布不到一小时的时间，网上的讨论早已铺天盖地，甚至比产品本身更“热闹”。在 Hacker News、Reddit 等平台上，从专业开发者到普通用户，评论区呈现出罕见的两极分化：有人直呼“终于追上了”、有人冷嘲“你这不叫卷，这是自救”，也有人担心谷歌是否还能回到巅峰时代。

在 Reddit 上，有用户表示：“至少这次没摆烂，性能上终于能正面跟上 GPT 系列。”

还有用户称： “多模态响应速度快了很多，尤其是视频理解像那么回事了。代码能力回来了，谷歌终于不像去年那么迷茫。”

但也有用户对 Gemini 3 表示失望。该网友认为谷歌这次并没有交出很好的答卷。

在 X 上，有网友吐槽了谷歌这次模型发布的形式过于枯燥。他认为需要改进的可能并不是模型本身，而是谷歌的发布方式。他评论称：“只有博客文章的发布形式太无聊了。”

还有网友表示，大模型进入到现在这个阶段后，对用户来说更具性价比的产品更能吸引和留住用户。

“实际上，采取一种更为务实的策略或许是可取的：推出一些在技术上未必最前沿，但在经济上极具吸引力的产品。当前，模型在某些高度专业化或小众领域（例如深度推理、金融、哲学等）的性能提升，对大多数用户而言已不易感知，甚至难以察觉。

如果能推出一款产品，在内存容量、上下文窗口大小上超越 GPT-5.1将极具竞争力。

一旦技术性能的增长进入平台期，企业就必须通过功能创新实现差异化，或是通过降低成本来维持竞争力。如果他们选择后者，并借此削弱 OpenAI 的用户获取与留存能力，这或许将改变市场竞争格局——OpenAI 可能难以承受用户增长放缓甚至流失的压力，而谷歌这类公司则更有能力应对这样的局面。”