谷歌悄悄发了篇技术博客藏着Gemini3真正的杀手锏

在一个不起眼的角落，谷歌发布了一篇技术博客。

关于 Gemini 3 Pro 的「多模态」能力。

借用谷歌 AI Studio 产品负责人 Logan Kilpatrick 的一句话总结：

「 Gemini 3 Pro 在大多数多模态基准测试和案例中继续保持 SOTA。」

SOTA，State of the art，表示最强、遥遥领先。

Logan 不是在吹牛。

01｜先看结果

直接上数据。

MMMU-Pro 测试，衡量模型的多模态理解和推理能力。

Gemini 3 Pro 拿到了 81%。

作为对比， GPT-5.1 和 Claude Opus 4.5 分别是 76% 和 72%。

CharXiv Reasoning，测试的是科学图表的理解和推理能力。

Gemini 3 Pro 得分 81.4%，超过了 GPT-5.1 的 69.5%，也超过了人类基准的 80.5%。

真正拉开差距的是空间理解。

Point-Bench，测试空间定位能力， Gemini 3 Pro 准确率 85.5%，而 GPT-5.1 只有 41.8%。

RefSpatial，测试多步空间推理， Gemini 3 Pro 是 65.5%， GPT-5.1 是 28.2%。

另外一个是屏幕理解，差距大的有点离谱。

ScreenSpot Pro，测试模型在软件中定位 GUI 元素的能力。

Gemini 3 Pro 达到 72.7%，而上一代 Gemini 2.5 Pro 是 11.4%， GPT-5.1 仅有 3.5%。

直接碾压了。

02｜四大能力

文档理解，先说这个。

一份扫描件，如果是那种字迹潦草、表格歪斜、公式模糊的，用传统 OCR 技术识别，大概率不会很准确。

Gemini 3 Pro 就是来解决这个问题的。

来自谷歌官方的一个案例。

一份 18 世纪商人的手写账簿，泛黄的纸张、潦草的字迹、歪歪扭扭的表格线。

投喂给 Gemini 3 Pro ，直接输出一张完美的结构化表格。

再比如手写的数学公式，直接转换成精准的 LaTeX 代码。

还有空间理解。

这个能力听起来抽象，举个例子你就懂了。

你指着一堆零件问 AI：“螺丝刀在哪？”

以前的模型会说：“在桌子右边。”

Gemini 3 Pro 会说：“坐标 (324, 156)。”

像素级精确定位。

对机器人和 AR 设备来说，算是质的飞跃了。

另一个重要的能力是屏幕理解。

这是提升最大的部分。

AI 帮你操作电脑，这个能力是核心。

比如让 Gemini 3 Pro 在 Excel 里自动操作。

精确点击单元格、移动光标、输入数据、创建数据透视表，整个过程相当丝滑。

还记得前面的基准测试数据吗？

ScreenSpot Pro 测试， Gemini 3 Pro 准确率高达 72.7%。

视频理解一直是 Gemini 的强项。

并且，很久以来，只有 Gemini 独一份能直接解读视频输入。

Gemini 3 Pro 支持 10 FPS 的高帧率分析，是默认速度的 10 倍。

这意味着，高尔夫挥杆、网球发球这类快速动作，它能逐帧分析，告诉你哪个瞬间重心不对、哪个角度发力有问题。

它不只是识别“发生了什么”，而是能理解“为什么会发生”。

谷歌官方称它为：因果推理。

AI 终于会“看懂”视频了。

03｜一个细节

对于 Gemini 3 Pro API，谷歌这次开放了一个新参数 media_resolution 。

开发者可以在高保真度和低成本之间灵活选择。

不是所有任务都需要最高精度。

高分辨率模式适合复杂 OCR 和文档处理；低分辨率模式适合简单场景识别和长上下文任务。

AI Studio 里就能玩，在这里。

结语

实际上，多模态一直是 Gemini 系列模型的核心卖点。

从 Gemini 1.0 开始，谷歌就在强调“原生多模态”的架构优势。

这次的 Gemini 3 Pro ，算是把这个技术优势拉到了一个新高度。

具体好不好用，你试试。

依旧推荐谷歌 AI Studio。

免费，模型满血，参数齐全，可玩性很高。