Gemini 3 Pro 发布：行业反应、基准测试与 Google Antigravity

摘要

30 秒看懂

2025 年 11 月，Matthew Berman 汇总了各界对 Gemini 3 Pro 的反应，并认为 Google 借助模型、基础设施和分发渠道获得了优势。他讨论了 Artificial Analysis 测试结果、扩展规律、Antigravity 与 Windsurf 的联系、编程演示以及 ARC-AGI。排名、价格、事例和预测均受当时的时间与条件限制。视频的一部分由 Dell Technologies 赞助。

1领先的指数成绩Artificial Analysis 报告称 Gemini 3 Pro Preview 在发布时的十项评测中领先五项，并在综合指数上领先。这些结果仅适用于该测试套件和日期。
2扩展规律之争Berman 引用 Oriol Vinyals 关于预训练和后训练改进的说法，并将其视为扩展仍在继续的证据；这些评论并未单独确定参数数量是原因。
3Antigravity 与 Windsurf界面中出现 Cascade 的名称，引发观察者讨论 Windsurf 与 Google 新 IDE 的联系。非独占许可及招聘协议不同于直接收购。
4赞助片段Dell Technologies 赞助了搭载 NVIDIA RTX Pro 硬件的 Dell Pro Max 笔记本推广。
5ARC-AGI 的进展与剩余错误Mike Knoop 强调 ARC-AGI-2 的跃升和一道任务的快速解答，同时指出模型在较简单的 ARC-AGI-1 任务中仍会犯错。

要点建议

Artificial Analysis 在 2025 年 11 月的评测中将 Gemini 3 Pro Preview 排在 GPT-5.1 之上，指数高出三分；这是特定基准结果，而非永久、普遍的排名。
在基准测试中使用更少 token 不会自动降低总成本：该模型当时的 API 费率使运行该指数测试的成本相对较高。
Google 取得 Windsurf 技术的非独占许可并聘用了部分员工；Cognition 随后收购了 Windsurf 剩余业务和知识产权。
Google 早已使用 TPU 训练 Gemini 1.0，因此 Gemini 3 并非首个使用 TPU 训练的 Gemini 模型。
ARC-AGI 结果和单道任务的时间说明了特定条件下的进展，并不证明通用的人类水平智能。
Dell Technologies 赞助了视频中的笔记本电脑推广片段。

主题Gemini Benchmarks AI cost & performance 编程智能体 Scaling Laws

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

早期基准测试反应

Berman 回顾 Artificial Analysis 的结果、历史价格和速度，随后讨论各界对扩展和训练的反应。

Google 大约一天前发布了 Gemini 3，行业反应热烈。我认为它是当时最好的模型，但这类判断取决于任务、评测和日期。我将看看分析师、研究人员和开发者的反应。

幻灯片 1 / 8Artificial Analysis 发布评估帖子列出了当时的指数领先情况、token 效率以及价格方面的限定。

[Artificial Analysis](https://artificialanalysis.ai/articles/gemini-3-pro-everything-you-need-to-know) 报告称，2025 年 11 月 Gemini 3 Pro Preview 在其 Intelligence Index 上比 GPT-5.1 高三分，并在构成指数的十项评测中领先五项。它在 Humanity's Last Exam 上测得 37%，比此前最佳成绩高出十多个百分点。这些结果适用于该评测方的特定方法和模型配置，并不保证它在每项任务上都更优。

Artificial Analysis 还报告称，Gemini 3 Pro 的 token 效率较 Gemini 2.5 Pro 提高，在该指数测试中使用的 token 也比部分竞争模型少。发布时，对于不超过 20 万 token 的提示，Google 标示每百万输入 token 收费 2 美元、每百万输出 token 收费 12 美元；尽管节省了 token，Artificial Analysis 发现运行指数测试的成本仍相对较高。这些是历史费率，并非当前价格。

幻灯片 2 / 8各项基准测试结果图表展示发布时多个评测的分数，包括 Humanity's Last Exam。

该分析还强调了编程和多模态成绩，并在其测试设置下测得每秒约 128 个输出 token，与 Gemini 2.5 Pro 相近。我猜 Google 自研 TPU 有助于提高推理速度，但仅凭观察到的吞吐量无法确定原因，速度也取决于工作负载和服务条件。

我还提到了团队制作的一份免费 Gemini 3 提示工程指南，订阅时事通讯即可获取。这是对我自己材料的推广。

Google DeepMind 的 Oriol Vinyals 将进步归因于预训练和后训练的改进，并称 Gemini 2.5 到 3 的跃升很大。OpenAI 的 Boris Power 也对扩展持乐观态度。我认为这些评论表明扩展仍有前景，但两人的说法都没有证明仅增加参数数量就造成了进步，也不能保证提升会无限持续。

Antigravity、Windsurf 与赞助

他讨论残留的 Cascade 名称，以及 Google 和 Cognition 与 Windsurf 交易的历史。之后是 Dell 赞助片段。

Google 还推出了智能体编程环境 Antigravity，与前 Windsurf 首席执行官 Varun Mohan 有关。观察者发现界面中出现 Windsurf 智能体功能 Cascade 的名称，并讨论有多少技术得到了复用。残留名称暗示了联系，但本身不能确定完整架构，也不能证明 Antigravity 只是一个克隆。

Google 聘用了 Mohan 和部分 Windsurf 员工，并获得某些技术的非独占许可；报道估计这笔交易约为 24 亿美元。这一安排并不是收购整个公司，也没有直接获得 Windsurf 全部知识产权的所有权。Cognition 随后收购了 Windsurf 剩余业务、产品和知识产权，其[交易法律顾问](https://www.lw.com/en/news/latham-watkins-advises-cognition-in-acquisition-of-windsurf)对此作了说明。Scott Wu 就残留的 Cascade 名称开了个玩笑。

幻灯片 3 / 8Antigravity 中的 Cascade 名称画面中的界面包含 Windsurf 智能体的名称，引发有关共享技术的讨论。

视频的这一部分由 Dell Technologies 赞助。Berman 推广搭载 NVIDIA RTX Pro Blackwell 显卡的 Dell Pro Max 笔记本，提到 14 英寸和 16 英寸配置以及最高 32 GB 显存。产品配置和供应情况取决于具体型号与时间。

Google 的商业地位与演示

行业人士祝贺 Google，Berman 讨论设计排名、自研芯片和分发渠道，并展示编程演示。

Sam Altman 和 Elon Musk 公开祝贺 Google 发布新模型。我很高兴看到竞争对手在继续竞争的同时相互认可。Google AI Studio 负责人 Logan Kilpatrick 也分享了一张 Design Arena 截图，其中 Gemini 3 Pro Preview 的 Elo 为 1422，GPT-5.1 为 1316；这是特定时点的偏好排名，而非通用的设计质量评分。

幻灯片 4 / 8Design Arena 快照图表展示了 Gemini 3 Pro Preview 和其他模型在该特定竞技场上的历史 Elo 评分。

投资人 Deedy Das 认为 Google 结合了模型能力、分发渠道和自研芯片。我同意它的用户群和基础设施是优势，不过发布时每百万 token 输入 2 美元、输出 12 美元的费率属于高价，并非显然便宜。拥有芯片本身并不能证明具体单位成本或利润率。

我猜测 Gemini 3 在 TPU 上训练可能是该系列的第一次，但 [Google 曾表示 Gemini 1.0 已使用 TPU v4 和 v5e 训练](https://blog.google/innovation-and-ai/technology/ai/google-gemini-ai/)。我认为 Google 的数据、产品、分发、硬件和研究组合很强，并将其与其他大型科技公司比较。这些竞争判断是观点，而非已经确定的市场结果。

幻灯片 5 / 8AI 价值链比较一张示意图比较各公司在应用、模型、推理和硬件方面的布局。

一张图展示了 Google 在应用、基础模型、云端推理和加速器方面的地位；其分类仅供参考，并非详尽审计。Ryan Petersen 开玩笑说，Google 在一段看似地位较弱的时期后可能最终主导 AI。我将这种变化形容为显著逆转，但竞争格局仍在变化。

幻灯片 6 / 8体素风格反应堆讲解演示分享的演示在交互式反应堆可视化中展示了热量生成。

一个分享的演示展示了体素风格的交互式核反应堆讲解，据称经过两次尝试制作，包含热量生成等阶段。我解释说，zero-shot 和 one-shot 传统上指提示中提供的示例数量，尽管人们有时也用这些词指尝试次数。视觉演示不能验证反应堆内容的准确性，也不是受控比较。

另一个分享的例子据称一次就生成了一幅骑自行车的鹈鹕 SVG 动画。我觉得结果令人印象深刻，但单个精选演示不能说明通常的成功率或其背后的工作量。

效率与 ARC-AGI

Berman 先讨论 token 效率和自主性，再回顾 ARC-AGI 的结果。他指出，第二版表现增强并没有消除第一版上的错误。

Emad Mostaque 强调 token 和工具调用效率。我认为，智能体的价值取决于它在一定时间内完成了什么，而不仅是无人干预运行了多久。Token 数、延迟、任务质量和价格都很重要，其中任何一项都不能单独概括通用的智能水平。

ARC Prize 的 Mike Knoop 报告称，在初步比较中 Gemini 3 Pro 和 Deep Think 在 ARC-AGI-2 上取得了很大进步。[ARC 排行榜](https://arcprize.org/leaderboard)列出标准 Gemini 3 Pro 在指定评测下的 ARC-AGI-2 成绩为 31.1%，ARC-AGI-1 成绩为 75.0%；不同配置有不同成本。这些谜题分数不能证明实现了 AGI 或广泛达到人类水平。

幻灯片 8 / 8ARC Prize 的反应Knoop 的帖子讨论了 ARC-AGI-2 的进展、单道题的时间以及 ARC-AGI-1 上持续存在的错误。

Knoop 特别提到一道 Gemini 3 Pro 解答最快的 ARC-AGI-2 任务：模型用了 772 个 token 和 188 秒，而人类评测小组在该题上平均用时 147 秒。一道选定的题和两种不同的衡量方式，不能构成人类与模型效率的普遍比较。他还认为令人意外的是，这些系统在第二版取得进步后，仍会在较简单的 ARC-AGI-1 任务中犯错。

这些结果表明，模型在某些方面有所进步，同时在其他方面仍会持续犯错。我的团队正在准备另一段 Gemini 3 测试视频，展示更多演示。