最强且没有之一的视觉推理模型，以及拖后腿的Google产品。

在gemini 3.0 pro问世之前，无论是数学、代码、文字、创意……一切需要大模型的形态，GPT-5.1基本上都能够占据绝对能力第一名，或者是难分高下的并列第一名.

就是你只要没有网络、支付、预算的问题，那么任何需求基本上都可以无脑选择GPT来解决，如果GPT解决不了，在同量级成本下，其他模型也不会做得更好了。

除了一个领域——多模态。

在这个领域，和GPT形成竞争的是Doubao-Seed-1.6-vision。在对图像的理解的绝对能力上，Doubao比GPT略差一点，但是这个差距远无法弥补他们俩之间的高差价，他们俩之间能力和价格的距离，有点像年初Deepseek-r1和openai-o1之间的距离——都知道o1应该会强一点，但是正常人是不可能弃R1不用，去用O1的。

所以大量vl、图像理解的工程，Doubao都是第一首选。

但无论是Doubao，还是你愿意花钱，用GPT 5.1，或者是Gemini 2.5 pro，都有一个对人类来说不是很难（虽然有点麻烦）的任务，大模型是完不成的。

Tikz作图。

我最近在做一个题库整理，把各省地区中考、高考以及一模、二模的题目全部做数字化。这些试卷，原本都是word格式，甚至不是docx，而是更难处理的doc格式。他们会有这样的题目：

每一道题都有一个图，但很多时候这些图标都是手绘的，十分粗劣，使用截图也不适合数字化，因此我想要把这些配图用大模型转化成tex的tikz代码，方便我之后使用tex将所有图片全部重绘。

没想到，这么一个需求，难倒了市面上所有的模型。Doubao完全无法胜任这个工作，它输出的tikz代码全都是错的。GPT 5.1则需要抽卡，容易的图可以生成，难一些的要大概画3-5次，更复杂的图更是必然出错。

举个例子，前面那个平行四边形有一个圆的图，GPT 5.1给出的最好代码画成了这样：

似是而非的一张图，E是圆和对角线的交点，还是那个半径和对角线的交点？C点到底在不在圆上？从题目给出的描述看，很容易知道ABC是直角三角形，却也没有能画出来。因此完全不能用。

而我这边有上万份试卷的配图等着电子化，不可能用抽卡的方法来完成这项工作，也不可能做肉眼检查，这项试卷电子化的最后一步一直没有启动。

直到——gemini 3.0 pro的出现，这个需求，终于有人做了。

上图就是gemini 3.0 pro生成的tikz代码输出的图，完全符合题目要求的一张图！

更绝妙的是，你如果仔细检查代码，会发现gemini 3.0 pro在输出tikz时顺便把题目也做了一遍：

比如上面一题，gemini 3.0 pro的代码是这样的：

……

\begin{tikzpicture}[scale=0.8, >=latex]
% 定义坐标
% 设定点 B 为原点
\coordinate (B) at (0,0);
% BC 长度为 10
\coordinate (C) at (10,0);

% 确定点 A 的位置
% 题目条件：AB=6, BC=10, AC垂直AB。
% 在直角三角形ABC中，AC = sqrt(10^2 - 6^2) = 8。
% 计算 A 的坐标 (x,y)：
% 设角 B 的余弦值为 cosB = AB/BC = 6/10 = 0.6，正弦 sinB = 0.8
% A = (6*cosB, 6*sinB) = (3.6, 4.8)
\coordinate (A) at (3.6, 4.8);

% 确定点 D 的位置，由平行四边形性质 D = A + BC
\coordinate (D) at ($(A)+(10,0)$);

% 定义圆心 O1 和点 E
% 为了作图美观且符合题目可能的特例（如第1问 E为中点），设定 r=2.5
% 此时 CE = 2*r*cos(C) = 2*2.5*(8/10) = 4 = AC/2，E 恰好为 AC 中点，符合视觉效果
\def\r{2.5}
\coordinate (O1) at ($(C)+(-\r,0)$); % O1 在 BC 边上，距离 C 点 r
\coordinate (E) at ($(A)!0.5!(C)$); % E 在 AC 中点

……

于此同时，GPT-5.1的代码是这样

%------------------ 主图 ------------------%
% Parallelogram ABCD
\coordinate (B) at (0,0);
\coordinate (C) at (5,0);
\coordinate (A) at (1,3);
\coordinate (D) at ($(A)+(C)-(B)$);

\draw[thick] (A) -- (B) -- (C) -- (D) -- cycle;

% Diagonal AC
\draw[thick] (A) -- (C);

% Circle with center O1 on BC
\coordinate (Oone) at (3.2,0);
\def\r{1.6}
\draw[thick] (Oone) circle (\r);

% Point C already on circle, radius O1C
\draw (Oone) -- (C);

% Choose E on AC inside the circle
\coordinate (E) at ($(A)!0.55!(C)$);
\draw (Oone) -- (E);

可以看到，GPT-5.1只是追求了一个“形似”，选了一些看起来差不多的参数，结果谬以千里。而Gemini 3.0 pro，是真正理解了题目，做了一遍几何推理后，选择了满足题目的恰好的图形设置，因此tikz能画出非常美观的图表。

因此，在多模态的理解上，gemini 3.0 pro可以说完全超越了GPT-5.1，它有了真正强大的“眼睛”，并让眼睛看到的内容更快速地加入到推理过程中，从而在视觉推理的效果上强于其他所有模型一个档次——毕竟GPT-5.1做几何题基本上都是降维到解析几何来完成的，其他模型甚至还不会做几何题。

但是。

这些工作，我全都是在openrouter上实现的，因为同样的图片和指令，在gemini网页端和app端，反而会出错！

比如下图是gemini网页版第三次输出的内容，可以看到多了一个不必要的直角标签，E是AC中点的信息在openrouter输出内容中能够算出来，在网页版输出的内容则漏掉了这点。

一种可能，是因为我只是gemini的20美元用户，还不是它250美元的ultra用户，因此它不愿意帮我做更多的推理，但我觉得很奇怪，因为它在网页版的思考时间比openrouter上调用的时间还要更长，没有理由用更长的事件给我一个更错的答案。

因此只能是另一种可能——gemini的产品，拖了强大模型的后腿。

gemini的产品相比openai的落后不是第一次出现了，比如我这几天日常完成的一些任务：

1，问graphrag的用法问题：

chatgpt给出了完全正确的回答，而gemini说，graphrag的最新版是0.3.x（实际上是2.7.0）。

差别在于，chatgpt一上来就上工具，上网搜索，而且去看了github里面的代码和讨论。而gemini则硬是要完全用自己的知识。

然后我让他搜了一遍，他搜了一遍发现真的是2.7.0，于是非常莫名地夸了我一通。

你是一个google的产品，却在搜索上如此懒惰，到底是为何啊？

2，翻译word简历，然后输出成pdf给我。

chatgpt的做法，调用一切工具，帮你读简历，逐句翻译，然后再排版，再写工具变成pdf，然后给你直接下载。我说完这句指令，过五分钟去点击链接下载简历，任务结束。

gemini呢，它首先告诉我它什么都不能做，但是它帮我编写了一段python脚本，而且贴心地考虑我的兴趣和背景，让我在本地运行这段代码，就可以得到简历。

为什么就不能把这些工作在网页版完成呢？为什么非要我在本地再麻烦一遍？

3，编程。gemini 3.0 pro的编程范例，最近是铺天盖地了，动辄“我一句提示词复制了一个windows！”，但是真正的编程不可能是用一句话完成的，肯定是在ide编程，或者cli编程，那么gemini 3.0 pro，你的最好编程平台在哪里？在antigravity，还是cursor？

反正我知道肯定不是gemini cli，我就不用codex cli和你对比了，都嫌埋汰了人家，我上次写了一篇文章，给了codex cli可以做的几项工作，包括连续工作一个半小时，完成一篇论文。

gemini cli，也不要求它连续工作一个半小时，只求能正常发挥gemini 3.0 pro的实力，不要总是崩溃就好了，我从前天到现在使用gemini cli来编程，就没有完成过一个大于两千行的项目……

还有好多例子，其实都指向同一点——

openai的gpt-5.1thinking，直接使用api，和在网页版上直接使用，效果相差不是一点。网页版无论在中间搜索还是最后成品上都要更好。gpt-5.1-codex-max，放在codex cli上，虽然速度慢，但是效果极佳，我昨天还开着五个窗口同时完成五个项目，基本没有返工过。

相比之下，gemini 3.0 pro的模型好，但在网络搜索、工具调用、内置提示词、编程cli上，都落后于openai不少。好的模型配上差的产品包装，连应有的效果都无法发挥出来。 然后大家问，你怎么用gemini 3.0 pro啊？一说ai studio，再说openrouter和cursor，仨说白嫖学生会员……

之前写过一篇想法，就提到过openai的强大产品能力，让本就很强的模型变得更强了。

比如一个很简单的需求，我把各家模型的名著搜索结果都贴给产品终端，它能不能把这些结果分析汇总了以后，输出成一份excel直接让我下载？这也是GPT独有的产品能力，gemini和claude虽然能够提供类似画布的功能，但在直接提供汇总好的可下载的excel表格上依然无能为力。GPT的这种能力使得在手机端的优势极大，比如在手机上，别人微信发来一个excel，我直接把excel发给chatgpt的app，让它直接处理这份excel，保存，然后我再下载这份excel，转发给另外的人。这种能力看似不起眼，有人会说，我把数据贴到网页对话框里不一样吗？我把网页对话框返回的表格再贴回一个excel另存为再转发不一样吗？不一样，确实不一样，就是这点差异，使得每家大模型的体验上完全不同。

如果说gpt-5.1的能力是100，那么openai的产品效果让它的实际体验提升到了120；

如果说gemini-3.0-pro的能力是110，那么google糟糕的产品效果，让它的实际体验下降到了90。

希望gemini能够用好3.0 pro和banana pro的出圈，把产品重新做一遍吧。

利益相关：长期 Ultra 会员

我怀疑我可能是知乎唯一的长期 ultra 会员。。。 （见结尾图）

现在来看 Gemini 3 就是一坨

2.5 pro 时期最擅长的「认真仔细阅读」能力彻底丢失了

2.5 pro 时期是真的猛，我第一次发现 2.5 pro 能精确到页级别说出正确的话的时候我都惊呆了。很长一段时间把 2.5 pro 当作高智能 command + f 来使用。

现在 gemini 3 你上传文件多了，有一种 4o 的美感（还没有4o的大太监情绪价值

反而现在 gpt 5.1 thinking 变得好用了很多，相较于 gpt 5时期，明显能认真阅读文件了

但是 gpt 5.1 thinking 有的时候会虚空内耗空转，无法把握住你想问的事情

如果用一句话总结，

谷歌团队内部出了内鬼，和 gpt 5 刚出的时候一样，道路走歪了

光顾着刷好看的绩效，当 ppt 纸面实力战神了。

这种光顾着好看，不顾内在实力，拉倒投资人投资再说的情况倒是令人担心谷歌的财报和股票健康状况了。我已经全出了。

最后来个图：

教程： 2026 版 Gemini 3 Pro 学生优惠白嫖一年领取攻略 - nanshawsの博客

第一步：注册一个谷歌账号（注意，不要填写国内号码，否则百分百没有资格）

这里我是花一块钱买国外批发的。（节点一定要选择美国）

第二步：白嫖一张虚拟卡

教程：2025 全攻略：手把手教你如何开通美区虚拟信用卡支付海外服务 – nanshaws の博客

官网链接：https://sv.me/r/Q81GI

邀请码：Q81GI

填我邀请码，可以白嫖一张虚拟卡。

第三步：登陆谷歌优惠网站，白嫖一年

官网：Gemini for Students — get free Google AI Pro for a year

点击验证资格

点击 check

点右键，复制链接到验证学生资格网站：https://batch.1key.me

填写链接，然后认证，它会给你一个链接，点击那个链接进去。

再次点击，它会让你输入卡号。（填写资料的时候我输入的账单地址是 28262，亲测，没问题，咱们也是白嫖到了）

然后点击订阅即可。

Gemini 3太强大了，对于我一个没有任何编程基础的人来说，Gemini-3.0-Pro 真的实现了小白也可以直接提需求，直接生成可用的应用。

我做了几个好玩的应用，提示词分享给大家，大家也可以自己试试看。

首先是如何进入，强烈建议大家就用Google的aistudio,只要IP地址在国外，有一个Google账号就可以用，没有太多的限制。

进入网站后点Build

然后进入Start界面，选择模型，输入提示词

然后我仅仅是提了一个需求，就看到Gemini开始行动，仅仅一分钟不到，一个真正可用的应用就生成了。

我的提示词是：“帮我做一个APP，这个APP可以通过上传视频，对这个视频的每个分镜进行详细分析，做成提示语表格，确保我可以让nano banana复刻同样的画面，同时给出每个画面之间衔接的AI视频提示词，确保提示词指令可以让VEO 3完美复原视频动态。最后还需要有一个可以导出的EXCEL表格，记录这个分镜表。”

我试了下，不同于之前很多AI Agent工具给我的是一个不能用于实际应用的花架子，Gemini 3给我做出来的是一个实际可用的应用！

看看上图，我是真的能够从上传的视频中获取不同片段的画面AI提示词并且能够进行一定程度的复现。

而我还能在过程中不断地通过对话，让这个应用变得更好用。

我补充了这些要求：“在完成初步视频分镜分析后，创建一个交互界面。用户可以在此界面手动编辑、添加、删除或修改AI生成的每个分镜的画面提示词，并调整镜头间的衔接提示词。完成后，重新生成包含用户修改的完整分镜提示词Excel表格。产品界面可以选择语言，默认语言为中文，增加按钮为重置为初始状态”

只花了40秒，看到Gemini 3一顿思考修改，新增的需求也马上做好了。

真的很有效。

于是我准备再做一个好玩的。

不如输入简笔画，直接制作海报把?

我的提示词是：“生成一个设计应用，用户可以用鼠标画草图，能够添加文本框,然后调用NanoBanana将草图转成设计海报,产品界面可以选择语言，默认语言为中文,左侧模板上列出海报艺术风格提示词，并有配图建议。”

效果真的出乎我意料的好。

我马上又做了一个可以将文字转为分镜影响的工具

可以看到在我输入简单剧本的情况下，AI自动生成了分镜和对应的图片。

并且还附上了AI绘画提示词，无论是做绘本还是电影分镜都方便多了！

不说了，继续玩Gemini 3去了！

感觉谷歌内部训练gemini3.0过程中应该遇到了短时间内无法攻克的难关。

首先是gemini 2.5pro，10月份就能察觉到明显的降智，这种感觉就像朝夕相伴的老伙计突然变傻了，智力退化了。

我看大模型论文方面的研究有提到，大量阅览sns信息会导致大模型不可逆的变成智障。2.5pro估计也遇到了一样的问题，被大量用户投喂垃圾信息，最终超越了承受阈值，就开始降智了。

说回这个3.0pro，2.0的数据集是截至2024年8月，2.5的数据集是截至到2025年1月。

3.0pro的训练数据集和2.5一样，依然停留在2025年1月。这不是下一代旗舰应有的表现。

3.0pro的数据集应该截至到2025年7月才合理，鉴定为3.0pro遥遥无期，遇到了短时间内难以攻克的难题，只能拿这个2.5pro max改个3.0pro的名字糊弄一下市场。

openai把能鼓捣出范式新花样的伊利亚挤兑走那天

它就已经死了

只不过一直没下葬要供帝国演一会儿资本驴皮影

当基本范式发展停滞

回到工程学竞技场

一切都已经注定

谷歌一只手就能把一众初创打残

遑不论变现这一块谷歌有百年广告部了

Gemini将终结OpenAi

没有任何意外

反倒是马斯克的Grok会更长久一点

不是X平台支持也不是钱的原因

就单纯 马斯克不是奥特曼能比的

官方的Gemini 3 Report还没出，可以从Blog里了解大概

一年前的Gemini 2的CEO blog重心放在了Agent能力上

而这次，Gemini 3这次重点是DeepThink和创造能力上

可惜跟Gemini 2.5 report一样，Google一直避免透露Gemini的推理秘密

不过Gemini 3 的 DeepThinking暂时还未开放

从AI Studio看，相比2.5 Pro，Gemini 3 放弃了精确调整的 Thinking budget
而只有Low和High两个选择，不知道是否只是暂时的（注意这个不是Deep Thinking）

但足以见得，Gemini 3的能力飞跃，是需要放开Thinking的限制的

至于Blog后面强调的【学习】（指的是帮助用户学习知识）、【构造】和【计划】。则是在这个能力提升后的产物。

Thinking的提升，把Gemini 2.5强大的多模态理解能力（图片理解和视频理解），进一步通过【构造】，变成了可用的产物。

Blog尤其强调了单用户对话的意图理解能力，很多博主文章里常见描述就是【一句话就能生成我想要的代码，都不需要多次修改】

可惜，Google非常鸡贼的把Thinking隐藏了起来，（但该收费的Thinking Token还需要正常计费），号称是【思考总结】。

我们无法知道Thinking的细节，但也可以通过思考总结来简单窥探一下Gemini 3的思考变化。

还是用经典WJU问题来考验模型 如何证明WJU系统不可能？

毫无疑问，2.5 pro和Gemini 3它们两都能正确回答这个问题

而且从思考总结看，

它们的思考路径是十分相似的

从给出的总结细节看，

Gemini 3的总结更理性，没有无用的表达

不过这个毕竟不是原始的Thinking内容，说不定也只是【思考总结】的修改