Gemini 3：官方能力资料与应用评估
区分 Gemini 3 Pro 与 Deep Think 的官方评测设置，并用 3D 游戏和界面任务设计业务评估，不报告未经执行的实测。
直接回答：Gemini 3 的官方发布包含不同型号与推理模式的成绩，不能把 Pro 和 Deep Think 的数字混在一起，也不能由榜单推出 UI 或空间任务普遍胜过其他模型。
基准成绩说明了什么
核对模型、推理模式、是否使用工具和题集版本。Humanity’s Last Exam 等评测中不同型号与配置的成绩不能作为 Pro 的统一分数。ARC-AGI-2 是抽象推理评测，不是“真智能”认证，也不能单独证明没有记忆或数据污染。
官方结果用于了解评测条件，本文没有独立复测。
评估一：3D 方块世界
可以给出 Three.js 方块世界任务，要求地形、放置/破坏、第一人称操作与碰撞，然后在目标浏览器实际运行。记录画面、控制、帧时间、错误和修复轮次，不能以生成代码代替验收。
对比 Claude Sonnet 4.5
没有同配置输入、输出和测试记录，无法报告两者胜负或工程风格差异。需要固定提示、工具、预算、依赖及任务评分，再比较成功率和人工返工。
评估二：流媒体平台 UI
使用相同设计需求，验证导航、内容网格、响应式、空状态和可访问性。视觉评分与交互功能分别验收，不把“审美在线”当测量结果。
定价与性能
按当前型号、渠道、输入输出及缓存计算费用。路由到 Flash 或其他模型前应验证质量与数据处理政策，不预设任何固定分工。
常见问题（FAQ）
Q：是否值得迁移？
A：先做相同样本的回归与费用比较。
Q：多模态是否能替代 OCR？
A：部分任务可以直接输入图像，但字段精度、版面和审计需求仍可能需要专门流程。
Q：本文是否验证过生成游戏与界面？
A：没有，以上是可复用的评估任务，不是测试结果。
参考资料
资料核对日期：2026 年 9 月 29 日。本文基于公开文档整理，代码片段和评估方案未作独立运行或性能验证；厂商测试结果已注明来源。
