
不知道大伙最近有没有关注 Gemini,它最近的更新相当频繁。
先是推出了 Gemini 4 Argon(氩),接着是 Gemini 4 Carbon(碳),我还没用明白,又来了个 Gemini 4 Hydrogen(氢)。谷歌这是打算把元素周期表挨个发布一遍?
从网上的反馈看,谷歌的模型和 O 家、A 家的差距似乎越拉越大。哪怕是最新的 Argon、Carbon、Hydrogen,只要一提到 Gemini,AI圈儿的恶意就扑面而来,Claude 和 GPT 的拥趸恨不得拿它当鞋底踩。
但我今天想说一句暴论:被大伙天天叫作"北美豆包"的 Gemini,反而是现在全世界最接近 AGI 的模型。

先别急着喷。你亲自用一用就会发现,除了编程,它全面得离谱。
网友口碑:文字功底与世界知识
最近我刷到不少网友发帖,夸 Gemini 4 的文字功底,称它是无可争议的"世一模"。

还有网友分享了自己被 Gemini 庞大的世界知识震惊的时刻。3.8 Flash 这样的模型,在冷门材料学上的理解,有时居然比 GPT Astra 还强。

于是我花了一周时间,把 Gemini 深度体验了一遍,发现它确实被我们低估了。对非程序员来说,它可以说是世界上最好的模型,是无可争议的"人味" G.O.A.T。
听力测试:多数"多模态"模型其实是聋子

先说一个大家很少注意的点:市面上绝大多数号称"多模态"的顶级大模型,其实都是聋子。
很多人测多模态能力时,会给模型看图片、看视频,却忽略了模型的听觉。不少宣传多模态的模型其实没有听觉,比如 GPT-6、Claude 5.5。你让它们听声音,它们可能答得有模有样,实际上是把音频悄悄交给了其他工具处理,模型本身听不见。

Gemini 从 1.5 代开始,就是一个不折不扣的全模态模型,能理解文字、图片、视频、音频等所有文件类型。光说你体会不到有多夸张,我们直接拿一段音频来测。
这段音频不难辨认,是 Minecraft 里的一些经典音效。

我们把这段音效丢给了同样支持音频理解的千问 3.8 Omni 和豆包 Seed 2.1 Lite。千问基本没有猜中。豆包强一些,听出了打嗝、机械触发等声音,但没听出这是游戏音效。


Gemini 的表现就轻松多了。它一听就判断出这是《我的世界》的游戏音效,对应的动作也八九不离十。更夸张的是,这还只是 3.8 Flash,一个 Flash 版本就已经让同行难以企及。


如果你还不服,觉得这是 Gemini 运气好,别急,还有更狠的。
下面这段音频,我估计只有一小部分玩家能听出来。答案是《英雄联盟》里卡莎"星之守护者"皮肤的音效。这个很冷门,每天打游戏的人也不一定听得出来,毕竟不一定买过这款皮肤。
千问同样没听出来。Seed 听出这是游戏音效,可惜猜成了《堡垒之夜》。

而 Gemini 真的把我吓了一跳。我本来只是抱着试试看的心态,没想到它不仅定位到了游戏和角色,连皮肤都说对了。哥们,你不会真玩过吧?


所以结论已经很明确了:在听力这块,Gemini 就是毫无争议的世界第一。
乐评与作曲:不只是听见,还能听懂
这还不是 Gemini 的上限。它不仅能听声音,还能赏析声音,对音乐有自己的理解。
我们让 Gemini 分析了两段音乐:一段是《雨爱》司凤版,一段是杨丞琳的《雨爱》,看看它对哪个听得更通透。
我们没告诉它这是什么歌,文件名也改掉了。结果它一听就判断出司凤版是 AI 生成的,还指出混音粗糙、音色偏廉价塑料,只适合进鬼畜区。杨丞琳版在它看来明显更耐听。看完我真的想明白了很多事。


更夸张的是,Gemini 不止会写乐评,你把笔交给它,它真能创作,作曲能力也是数一数二。
和 Suno 这类音乐生成模型不同,Gemini 这样的语言模型作曲,是靠调用电脑上的专业软件完成的,过程和人类手工创作差不多。

我们也测了一下,让它以著名民歌《茉莉花》为基础,创作一首钢琴变奏曲。成品听起来优雅,永不过时。
写作与幽默:最有人味的模型
除了对音乐的理解,我觉得 Gemini 也是世界上最有人味、最幽默的模型。很多有文字创作需求的朋友,已经被现在的 AI 折磨得快疯了,最典型的就是 GPT 写作时那种顶级防御力。
你让它做个番茄炒蛋,它会先给你做两轮冒烟测试。你说别往里加红烧肉,它就给你端上一盘番茄炒蛋(无红烧肉版)。真是气笑了。


我还想玩个梗,让 GPT 扮演 Claude 和我说话。它一点眼力见都没有,Claude 怎么能和中国人说话呢?

我对 Gemini 说了同样的话,它一句废话没有,直接甩给我一封封号邮件。这种幽默感,GPT 恐怕一辈子学不来。

至于你问我为什么没测 Claude,因为号刚没了。
读梗图:只有 Gemini 看出了 mj
在解释梗图上,Gemini 也是最精准的。
比如这张图,为什么好笑?聪明的你可能已经发现了,miHoYo 的 mi 很像 mj。

结果是 Claude 错了,GPT 错了,豆包也错了,只有 Gemini 看出了 mj。




世界知识加多模态:聊起来最舒服

我推测,这和 Gemini 的世界知识应该是所有模型里最多的有关。而这样的大模型,才是聊起来最舒服的:基本有问必答,防御力低,不管多冷门的话题都能聊两句。这也是为什么人们爱拿 Gemini 当老公、老婆。
再加上它出色的多模态能力,交互起来更方便了。那天飞书出了点 bug,问题有点小众,我不知道怎么描述,干脆录了个视频发给它。

Gemini 的回答快得不像看完了视频,但给出的信息全是对的。
我还有一个买回来就没拼好过的二阶魔方。我不知道怎么喂给 Gemini,就随手拍了几张,毫无章法,六个面甚至只拍了五张。

但 Gemini 直接认出了这是什么魔方,通过照片里的空间位置关系还原了六个面的相对位置,随后建模,并算出了复原路径。

我同时求助的 Opus 5.5,则完全没看懂。

所以不管你的需求多小众,都可以找 Gemini 聊聊,用 Flash 也行,它大概率能给你答案。
写作:Gemini 是写作界的 GOAT
最后,我依然认为 Gemini 是写作界的 GOAT,全网无代餐。
很多人觉得 Gemini 写的东西味道很重,像舔狗。但它的写作风格学习能力其实是最强的,你只需要多喂语料,再加上提示词限制即可。
把它调成你喜欢的样子后你会发现,它的品味非常独特,每段过渡都很自然,还经常冒出一些我都没想到的小巧思。

对比 ChatGPT 和 Claude 两家的模型,我最突出的感受是:它们写作抓不住重点,需要你认真写好大纲,告诉它哪里是重点。它们还爱过度防御,喜欢把你的比喻改掉,说"不严谨",把你的段子删掉,说"不尊重"。真是向全世界最有敬畏之心的模型致敬。

Gemini 的幻觉问题依然没有解决。但在写作这块,幻觉反而不可或缺,因为专业的作者就得敢于下判断。即便判断是错的,读者读完至少有个提意见的角度。如果一篇文章里全是"不一定",虽然让人无从挑剔,也绝对没有价值。
Gemini 的缺点

体验下来,Gemini 的缺点也依旧明显。比如经典的 Banana 起手,干什么都想画图,藏不住的艺术家天赋。

再比如,网页版、APP、Antigravity 都很难用。怎么现在还有人用这种雷霆排版啊?

另外,Gemini 说的话依旧不能全信,它突发性"流口水"可不是闹着玩的。特别严谨的活,还是老老实实交给其他 AI 吧。
但需要一点小巧思、小创意的场合,Gemini 依旧比其他 AI 高一个档次,就算流口水,也流得更有味道。
写在最后

说到底,对大多数普通人来说,一个好的 AI 首先得说人话,交互起来才舒服。其次要感官健全,才有更多渠道感知你的需求。最后要有审美、有态度,才会带来意想不到的惊喜。Gemini 在这些方面做得确实很优秀。
我想很多人早就厌倦了"震惊瘫坐",厌倦了鹈鹕测试,看着媒体为 Benchmark 上涨狂欢,内心毫无波澜。只是仍在期待有人能站出来,为大模型探索开辟一条更有意思的路。
这也是为什么有很多人依然在怀念 GPT-4o、怀念 New Bing,依然把 Gemini 2.5 Pro 和 Claude Opus 4.6 当成白月光。
在越来越固化的大语言模型发展里,它们至少提供了一些变数。
哪怕离真正的 AGI 还很远,只要这种带点活人味的模型还在出现,本身就已经挺有意思了。
撰文:不咕
编辑:江江&面线
美编:素描
图片、资料来源:X、Bilibili、Gemini