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。