小编速览
近日，谷歌低调发布 Gemini 3 Pro。多项基准测试中，它在空间理解、屏幕理解等领域碾压 GPT-5.1，屏幕截图理解准确率达 72.7%。模型涵盖文档、空间、屏幕、视频四大核心能力，支持像素级定位、高帧率视频因果推理等。新增 media_resolution 参数，可灵活平衡精度与成本，目前在谷歌 AI Studio 免费开放，可玩性拉满～
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。」展开剩余85%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
1.文档理解：复杂内容精准结构化
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。
2.空间理解：像素级精确定位
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。
3.屏幕理解：高效操控数字界面
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%。
4.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。
转载来源：AI信息Gap
发布于：山西省一鼎盈提示：文章来自网络，不代表本站观点。
