为什么说 Gemini 才是目前最被低估的真神？

不知道大伙最近关注 Gemini 没，最近哥们的更新挺频繁的。

先是端了个 Gemini 4 Argon（氩），又是端了个 Gemini 4 Carbon（碳），我还没用明白呢又来个 Gemini 4 Hydrogen（氢），谷谷歌歌是想给元素周期表都端一遍？

从网上的反馈来看，谷歌的模型确实离 O 家和 A 家的模型越来越远了。哪怕是最新的 Argon 甚至 Carbon 甚至 Hydrogen，只要一提到 Gemini，AI 圈儿的恶意就要吻上来了，能不拿头去顶你 Claude 和 GPT 叔叔的鞋底了嘛？

但我今天得说个暴论，那就是，被大伙天天称为 " 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，只要你用用就会发现，除了编程，这哥们全面的离谱。

比方说，最近刷到很多网友开始发帖夸赞 Gemini 4 的文字功底，说是无可争议的世一模。

还有网友向大伙分享自己被 Gemini 庞大世界知识的震惊时刻，像 3.8 Flash 这样的模型对冷门材料学的理解，有时居然比 GPT Astra 强。

于是我花了一周时间，把 Gemini 深度体验了一遍，才发现它真的被我们低估了。甚至可以说，对非程序员来讲，它就是世界上最好的模型，是无可争议的人味 G.O.A.T。

就拿一个大家从没注意到过的点来说，市面上绝大多数号称 " 多模态 " 的顶级大模型，其实都是聋子。

首先，很多人在测多模态能力时，会给它看图片，看视频，但一直忽略了一个点，那就是大模型的听觉。

有很多宣传自己多模态的模型，其实并没有听觉，比如 GPT-6、Claude 5.5，你让他们听声音时，他们可能会回得有模有样，但实则把音频偷偷交给其他工具处理，模型本身听不见声音。

但 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。光说这么多大伙是体会不到它有多离谱的，先来听一段音频吧。

还是很好听出来的，这是 Minecraft 里的一些经典音效。

我们把这段音效，丢给了同样有音频理解的千问 3.8 Omni 和豆包的 Seed 2.1 Lite。千问基本可以说没有猜中的风险，豆包要强一点，听出来了打嗝、机械触发等声音，但没听出来这是游戏音效。

而 Gemini 的表现是轻轻又松松了，一耳朵就听出来这是来自《我的世界》的游戏音效，而且动作对应的也大差不差，更离谱的是这还是个 3.8 Flash ， 哥们拿个 Flash 出来就是大伙无法企及的高度了。

如果你还不服，哎呀这绝对是 Gemini 运气好，别急，还有更恐怖的。

下面这段音频，我相信只有一小部分差友能听出来。

因为这个真的很冷门，答案是英雄联盟卡莎的皮肤——星之守护者的音效，其实每天打这游戏的人也不一定听得出来，因为不一定有皮肤。

同样地，千问没听出来，Seed 听出来这是游戏音效，可惜猜成了《堡垒之夜》。

但 Gemini 真的给我吓晕了，我就是抱着试试看的心态，没想到真给我猜出来了，不仅定位到了游戏、角色，连皮肤都定位出来了，不是哥们你不会真的玩过吧？

所以我们已经能下结论了：在听力这块，Gemini 就是毫无争议的世界第一。

但这，远不是 Gemini 的上限，因为 Gemini 不仅能听声音，还能赏析声音，对音乐也有自己的理解。

我们让 Gemini 分析了两段音乐，一段是《雨爱司凤版》，一段是《雨爱》杨丞琳版，不知道哪个它听了更通透。

哥们从来没告诉过它这是啥歌儿，文件名也给它改了。结果它一耳朵就听出来，司凤版是 AI 生成的，还能听出来混音粗糙，音色偏廉价和塑料，只能进军鬼畜区；杨丞琳版明显比活凤版耐听。看完真的想明白了很多事。

更超模的是，Gemini 的能力，已经不限于乐评了，你把笔给它，它是真能写，它的作曲能力也是数一数二的。

不同于音乐生成模型 Suno，用 Gemini 这样的语言模型作曲，是靠调用电脑上的专业软件来进行作曲，跟人类手搓的过程差不多。

我们也测了一下，让它根据著名歌曲《茉莉花》，创作一首钢琴变奏曲，来听一段吧，优雅永不过时。

除了音乐上的理解，Gemini 也是我觉得这个世界上最有人味，最幽默的模型。相信很多有文字创作需求的大伙，已经被现在的 AI 折磨得彻底疯狂了，最著名的就是 GPT 在写作时的顶级防御力。

让它做个番茄炒蛋，它得给你做两轮冒烟测试，你不让它往里加红烧肉，它就给你做个番茄炒蛋（无红烧肉版），气笑了。

而且我想玩玩梗，让 GPT 扮演 Claude 和我说话，它真的一点眼力见都没有，Claude 怎么能和中国人说话呢？

但我给 Gemini 说了同样的话，Gemini 一句话没说，直接给我发了个封号邮件。。这幽默感 GPT 一辈子学不来吧？

至于你问我为什么没测 Claude，号刚没。

在解释梗图上，Gemini 也是解释得最精准的。

比如说，这张图为什么好笑？聪明的你已经发现了，mihoyo 的 mi 很像 mj。

然而 Claude 错了，GPT 错了，豆包错了，只有 Gemini 看出来了 mj。

我估计也是因为，Gemini 的世界知识，应该是全世界模型里最多的了。而这种大模型，才是聊天聊起来最舒服的模型，基本上有问必答，防御力低，不管啥犄角旮旯里的事情都可以聊一下（这也是为啥人们爱拿 Gemini 当老公 / 老婆）。

再得益于它无敌的多模态能力，聊起来就更舒服了，交互起来真的方便。就我那天飞书出了点 bug，感觉有点小众，不知道怎么描述，就给它录了个视频发过去。。

Gemini 秒答的速度不像看完了视频，但它给出的信息却全是对的。我还有个买回来就没拼好过的二阶魔方，我也不知道怎么喂给 Gemini，就随手拍了几张照，没有任何章法，甚至六个面只给它拍了五张照。

但 Gemini 直接识别出了这玩意的名字，还通过照片里的空间位置关系，还原了六个面的相对位置，最后建模，并计算出了复原路径。

至于我求助的 Opus 5.5，完全没有看懂。

所以不管你的需求有多小众，和 Gemini 聊聊吧，Flash 都行，它大概率能给你答案。

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，很像舔狗，但其实 Gemini 的写作风格学习能力，是最强的，你只需要多喂语料，加提示词限制即可。

当你把它调成你喜欢的样子之后就会发现，它的品味非常独特，每段过渡非常自然，还经常整出一些我都没想到的小巧思。

对比 ChatGPT 和 Claude 这两家的模型，我很突出的感受就是，他们写作抓不住重点，需要你认真写大纲告诉它哪里是重点；还喜欢过度防御，喜欢改掉你的比喻说 " 不严谨 "，喜欢删掉你的段子说 " 不尊重 "，致敬世界上最有敬畏之心的模型。

虽然 Gemini 的幻觉问题依然没解决，但在写作这块，幻觉还真是必不可少的，因为专业的作者就要敢于下判断。即使是错误的，起码能让人读完后，有提意见的角度。如果一篇文章里全是 " 不一定 "，虽然让人无从挑剔，但也绝对是没价值的。

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

比如不管是网页版、APP、Antigravity 都非常难用，怎么现在还有人用这种雷霆排版啊？

以及 Gemini 说的话依旧不能全信，突发性流口水并不是闹着玩的。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，Gemini 依旧比其他 AI 高一个档次，就算流口水也流得更有味道。

说到底，对大多数普通人来说，一个好的 AI，首先得说人话，交互起来才更舒服；其次感官健全，才有更多渠道感知你的需求；最后，有审美有态度，才会给人意想不到的惊喜感。Gemini 在这些地方做的确实很优秀。

我相信很多人可能早就厌倦了震惊瘫坐，厌倦了鹈鹕测试，看着媒体对 Benchmark 上涨的狂欢，内心毫无感觉。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，但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