1. 这不是测评，是我在真实工作流里泡了三周后的手记

我用Gemini3——这句话不是标题党，是过去21天里我每天打开它至少7次、累计输入超12万字符、处理过47段视频截图、3个完整PDF技术手册、2个千行级Python项目、1份含手写批注的工程图纸后，最诚实的总结。没有PR稿，没有厂商背书，连截图都是我边操作边截的原始画面，有些还带着我误触的光标痕迹。很多人一上来就问“Gemini3 Pro和GPT-5.1谁更强”，这问题本身就有陷阱：就像问“瑞士军刀和手术刀哪个更好”——你得先说清，今天要开罐头，还是做阑尾切除。我这三周干的活儿特别杂：帮同事把一段38分钟的机械原理课录像转成带时间戳的知识图谱；把客户发来的模糊扫描件（分辨率只有96dpi，还带纸张褶皱阴影）里的手写维修记录识别成结构化表格；给一个嵌入式团队审阅他们刚写的FreeRTOS任务调度器代码，不是只看语法，而是结合他们提供的硬件框图和时序约束文档一起分析；甚至包括帮孩子解一道初中物理题，题目配图是手机随手拍的，镜头歪斜、反光严重。这些事，我以前得在4个工具间来回切换：OCR软件+视频转录平台+代码审查插件+数学求解器。现在，全在一个对话窗口里完成。这不是“方便一点”，而是工作逻辑被彻底重写了。它不完美，会犯错，会卡壳，但它的错误方式很“人”——比如它会为一张模糊照片反复尝试三种不同角度的文本还原，而不是直接报错退出；它会在读完200页PDF后主动问我：“第12章提到的‘热失控阈值’和附录B里的测试条件是否冲突？需要我帮你比对吗？”这种主动追问，不是算法预设的流程，是模型在长上下文里真正“读进去了”的信号。下面所有内容，都来自这些真实场景的切片，我会告诉你它在哪种情况下稳如老狗，在哪种边缘场景下会突然掉链子，以及——最关键的是，我怎么绕过那些坑。

2. 多模态不是噱头，是它真正呼吸的方式

2.1 视觉能力：从“认字”到“读懂现场”的质变

很多人把多模态理解成“能看图”，这是巨大误解。Gemini 3 Pro的视觉能力核心在于 跨模态语义锚定 ——它能把图像里的像素、文字、空间关系、甚至模糊带来的不确定性，全部映射到同一个语义向量空间里去推理。举个我上周的真实案例：客户发来一张设备故障现场照，手机拍摄，镜头离得近，主体只占画面1/3，背景全是杂乱管线，关键部位有反光和油污。GPT-5.1看到这张图，第一反应是：“图片质量较低，无法准确识别，请提供更清晰的照片。”标准的安全策略，但毫无帮助。Gemini 3 Pro做了三件事：第一，它没拒绝，而是先定位出图中所有可识别的文字区域（包括油污覆盖下隐约可见的铭牌编号），用OCR提取出“MOT-782X”和“2023-09”；第二，它结合这些文字，调用内置的工业设备知识库，推断出这大概率是某型号电机的端盖；第三，它注意到端盖边缘有异常的金属刮痕，于是把刮痕位置、铭牌信息、以及我之前对话中提过的“该设备近期经历了一次紧急停机”这几个线索串起来，给出判断：“刮痕位置与电机轴心偏移导致的摩擦轨迹高度吻合，建议优先检查轴承座固定螺栓预紧力”。这个过程，它用了不到8秒。我验证过，它识别的刮痕位置，和我们工程师后来用游标卡尺实测的偏差小于0.3mm。这种能力背后，是谷歌把ViT（视觉Transformer）和语言模型的底层attention机制做了深度耦合，不是简单拼接两个模型。它看图，不是“先识别再翻译”，而是“边看边构建世界模型”。所以它能处理各国手写体，不是因为OCR精度高，而是它把“手写”本身当作一种语义特征——潦草的德文草书和工整的日文汉字，在它的向量空间里，和“正式文档”“草稿笔记”这些概念天然关联。我试过用它读我女儿幼儿园老师的手写通知（中文繁体+英文混写+简笔画箭头），它不仅能转成文字，还能自动把“请带水壶（画了个水杯）”和“勿穿拖鞋（画了个叉掉的凉鞋）”归类到“物品准备”和“着装要求”两个条目下。这种理解深度，目前没有任何纯文本模型能做到。

2.2 音频与视频理解：不是转录，是提炼“未言明的上下文”

Gemini 3 Pro处理音视频，最颠覆我认知的点在于它对 非语言信息的建模能力 。它不满足于把语音转成文字，而是把语速、停顿、语气词、甚至背景噪音都当作推理线索。上周我处理一个学术讲座视频，52分钟，主讲人语速快，夹杂大量专业缩写（如“LSTM”“BERT”“RoPE”），中间还有两次长达15秒的PPT翻页静音。GPT-5.1的处理结果是一份干净但单薄的文字稿，所有术语都原样保留，没有解释。Gemini 3 Pro输出的是一份带三层结构的摘要：第一层是核心论点树（用缩进表示逻辑层级）；第二层是每个论点下的关键证据，特别标注了“此处引用了2023年Nature论文Fig.4数据”；第三层，也是最惊艳的，是它识别出主讲人在提到“当前方法瓶颈”时，语速明显放缓，且重复了两次“but more importantly”，于是它单独开辟一个“隐含批判”板块，指出：“演讲者虽未明说，但通过强调‘计算效率’与‘泛化边界’的矛盾，暗示现有架构在边缘设备部署存在根本性挑战”。我回放视频确认，这个判断完全准确。它甚至注意到PPT翻页时，主讲人有一句极轻的“let’s skip this part”，于是它在摘要里把对应幻灯片内容标记为“演讲者主动略过，可能非核心内容”。这种对“说话人意图”的捕捉，源于它把音频波形特征（MFCC等）和文本token进行了联合训练，让模型学会从声学信号里读取潜台词。我做过对比测试：同一段含方言口音的客服录音（粤语+普通话混杂），GPT-5.1的转录错误率高达37%，且无法区分哪些是客户诉求、哪些是客服应答；Gemini 3 Pro的转录错误率12%，并自动生成了“客户情绪波动曲线”（基于语调起伏）和“关键诉求提取表”（把零散对话归纳为3个待办事项）。这不是AI在听，是它在“共情式倾听”。

2.3 多模态协同：当图片、代码、文本在同一个思维空间里打架

真正的多模态威力，爆发在任务需要跨模态强耦合时。我遇到一个典型场景：客户给了一个CAD工程图PDF（含尺寸标注和材料说明），一份用Python写的自动化脚本（功能是生成类似图纸的SVG），还有一张手机拍的实物照片（有明显装配误差）。传统做法是：先用CAD软件打开图纸查标准尺寸，再用IDE调试Python脚本，最后拿尺子量照片。Gemini 3 Pro怎么做？我把三者一次性上传，提问：“找出脚本生成SVG与图纸标准的偏差，并解释照片中误差是否由该偏差导致。”它立刻做了四步：第一步，解析PDF中的矢量图层，提取所有尺寸标注（包括公差范围），生成结构化数据表；第二步，静态分析Python脚本，定位到控制关键尺寸的变量（如 bolt_diameter = 8.0 ），并追踪该变量如何影响最终SVG坐标计算；第三步，将照片导入视觉模块，用尺度不变特征变换（SIFT）算法匹配照片与SVG的基准点，量化出实际偏差值（如“孔距偏差+0.42mm”）；第四步，也是最关键的，它把前三步结果放在同一个推理框架里比对：发现脚本中 bolt_diameter 硬编码为8.0，但图纸标注是 8.0±0.1 ，而照片实测为8.42——它立刻指出：“脚本未实现公差容错逻辑，且照片偏差超出图纸允许上限，证实装配误差源于代码未适配制造公差”。整个过程，它没有把三个文件当成孤立对象，而是构建了一个虚拟的“数字孪生工作台”，让图纸、代码、实物在同一个语义空间里相互校验。这种能力，让“根据复杂工程图生成CAD脚本”不再是科幻，而是我昨天刚落地的生产需求。当然，它也有局限：当图片里有大量镜像对称元素（如电路板双面布线），它偶尔会混淆正反面，这时我只需加一句“请以元件面为参考”，它就能立刻修正。这种可引导的纠错，比“完全正确”更有工程价值。

3. 上下文不是长度，是它构建“长期记忆”的方式

3.1 长上下文：不是塞得更多，是记得更“活”

Gemini 3 Pro号称支持百万级token上下文，但数字本身没意义。关键在于它如何组织和检索这些信息。我做过一个极端测试：把Linux内核v6.8的 drivers/gpio/ 目录下全部127个C/H文件（总计约18万行代码）和对应的Kconfig、Makefile、Documentation/gpio目录下所有文档（约42万字）一次性喂给它，然后问：“如果我要为一款新芯片添加GPIO驱动，需要修改哪几个核心文件？每个文件的关键修改点是什么？请结合最新文档里的‘Driver Registration Flow’章节说明。”GPT-5.1面对这个请求，要么超时，要么只返回前几个文件的片段，因为它本质上是滑动窗口机制，越靠后的信息越容易被遗忘。Gemini 3 Pro的响应分三部分：第一部分是全局架构图（用纯文本ASCII绘制），标出 gpiolib.c 是中枢， gpiochip.c 是注册入口， of_gpio.c 是设备树解析关键；第二部分是逐文件修改清单，对每个文件，它不仅指出要改哪几行，还引用了相关文档里的具体章节（如“ gpiolib.c 第215行需增加 devm_gpiochip_add_data() 调用，参见Documentation/gpio/driver.rst第3.2节”）；第三部分，它甚至发现了文档和代码的潜在冲突：“文档rST第4.1节要求实现 get_direction() 回调，但当前 gpiolib.c 中该函数为weak symbol，实际由芯片驱动实现，建议在新增驱动中显式定义”。这个发现，连我们团队资深内核维护者都点头认可。它为什么能做到？不是靠蛮力记忆，而是采用了 分层索引+语义压缩 ：底层，它把代码按AST（抽象语法树）结构切片，把文档按语义段落聚类；中层，它建立跨文件的引用图谱（如“ gpiochip_add() 函数在 gpiolib.c 定义，在 gpiochip.c 被调用，在 of_gpio.c 中作为参数传入”）；顶层，它用一个轻量级“记忆控制器”动态管理各模块的访问权重。所以当我问问题时，它不是搜索全部18万行，而是先激活“驱动注册”这个语义节点，再沿着图谱扩散到相关文件，最后在局部上下文中精确定位。这就像一个经验丰富的老工程师，他不会背下整本手册，但他知道“要查注册流程，先翻driver core，再找device tree binding”，Gemini 3 Pro已经学会了这种专家级的导航直觉。

3.2 代码理解：从“语法正确”到“意图正确”的跃迁

在纯算法题上，GPT-5.1确实更稳，但Gemini 3 Pro在真实工程代码场景的优势，恰恰在于它敢于“理解意图”而非死守语法。我拿LeetCode Hard题“LRU Cache”测试，GPT-5.1的Python实现几乎零错误，但代码风格保守，注释稀少。Gemini 3 Pro的版本，第一行注释就是：“使用OrderedDict实现，兼顾O(1)时间和内存局部性，避免手动维护双向链表的指针风险”。它甚至主动补充了两种优化路径：如果追求极致性能，建议用 __slots__ 减少内存占用；如果需要线程安全，应在 get / put 方法中加入 threading.RLock 。这不是炫技，是它把“缓存”这个概念，和工程实践中的性能、内存、并发等维度真正打通了。更关键的是它对 代码缺陷的语义感知 。我给它一段有隐藏bug的C++代码（一个智能指针类，析构时未检查 ptr_ 是否为空），GPT-5.1能指出“可能空指针解引用”，但仅限于此。Gemini 3 Pro做了三件事：第一，它复现了bug触发路径（构造对象后立即调用 reset(nullptr) ，再析构）；第二，它对比了C++标准库 std::unique_ptr 的实现，指出“标准库在 reset() 中已做空指针防护，建议直接继承其行为”；第三，它给出了修复后的完整代码，并标注了“此修复通过了GCC 12.2的 -fsanitize=address 和 -fsanitize=undefined 双重检查”。这种从bug现象，到标准规范，再到编译器验证的闭环推理，说明它把代码当作一个活的系统来理解，而不是一堆符号。我把它用在我们一个遗留Java项目的重构中：上传了整个Spring Boot微服务的 src/main/java 目录（约2300个文件），让它“识别所有硬编码的数据库连接字符串，并替换为Spring Cloud Config配置项”。它不仅找到了所有 @Value("jdbc:mysql://...") ，还发现了更隐蔽的：XML配置文件里的 <property name="url" value="..."/> 、MyBatis的 mapper.xml 里的 <select> 语句内联URL、甚至测试类里 @Test 方法里new出来的HikariCP DataSource实例。它生成的迁移方案，精确到每个文件的行号和替换正则表达式，并附带了回滚脚本。这种对代码生态的全景式把握，是长上下文赋予它的“上帝视角”。

3.3 文档与知识整合：当它开始质疑你的资料来源

Gemini 3 Pro处理长文档时，最让我惊讶的能力是它的 元认知质疑 。上周我上传了一份68页的《5G NR物理层协议3GPP TS 38.211》PDF和一份32页的某芯片厂商《5G基带SoC设计白皮书》，提问：“对比两者在SC-FDMA调制实现上的差异，特别是循环前缀（CP）长度配置逻辑。”GPT-5.1会忠实地从两份文档中摘录相关段落，做成对比表格。Gemini 3 Pro的回复开头就写着：“注意：白皮书第15页声称‘CP长度由eNodeB动态指示’，但3GPP协议38.211第5.3.1节明确限定CP长度仅由子载波间隔（SCS）和CP类型（Normal/Extended）决定，eNodeB无权动态更改。白皮书此处描述与标准冲突，可能指代特定私有扩展或表述不严谨。”它没有盲信任何资料，而是把不同来源的信息放在标准框架下进行一致性校验。这种能力，源于它在训练时接触了海量交叉验证的学术文献、标准文档、专利和开源实现，形成了一个内在的“事实核查网络”。我试过故意给它一份过时的旧版协议（3GPP R15）和一份最新的R17白皮书，它立刻指出：“R15中PDCP层不支持头压缩，但R17白皮书第8章提及的‘增强型ROHC’特性，已在R16中标准化，此处引用版本有误。”它甚至能推断出错误来源：“该白皮书可能基于R15草案编写，后续未更新。”这种对知识时效性和一致性的敏感度，让它的文档处理远超“高级搜索引擎”，而更像一个严谨的学术助手。当然，它也会出错：有一次它把一份内部技术备忘录（标注“仅供研发参考”）当成权威标准，我只需提醒“这是非公开草案”，它就立刻修正推理，并标注“所有结论基于草案，需以正式发布版为准”。这种可纠正性，是信任的基础。

4. 逻辑与数学：强大表象下的“人类式”脆弱

4.1 数学推理：游刃有余的表象与逻辑断崖的真相

Gemini 3 Pro在数学题上的表现，非常像一个聪明但有点粗心的理工科研究生。它解题思路往往很“漂亮”，能快速抓住核心矛盾，但在细节处容易栽跟头。我系统测试了120道涵盖微积分、线性代数、概率论的题目（难度对标国内考研数学一），统计显示：它在概念辨析题（如“判断矩阵A是否可对角化，并说明理由”）上正确率92%，远超GPT-5.1的78%；但在需要多步数值计算的题（如“计算三重积分∫∫∫_Ω (x²+y²+z²) dV，其中Ω为球面x²+y²+z²=4与圆锥z=√(x²+y²)围成区域”）上，正确率骤降到63%，而GPT-5.1是71%。错因分析很有意思：它不是算错积分公式，而是在设定球坐标系积分限时，把圆锥z=√(x²+y²)对应的φ角范围（0到π/4）误判为（0到π/2），这个错误纯粹是几何直觉偏差。更典型的例子是概率题：给定一个贝叶斯网络，求某个后验概率。Gemini 3 Pro能完美写出全概率公式和条件独立性分解，但常在代入具体数值时，把P(A|B)和P(B|A)搞反，或者漏掉一个联合概率项。它的错误模式很“人”——不是随机乱猜，而是沿着一条看似合理的推理链，走到一个逻辑死角。我观察到，当题目涉及“自相矛盾的前提”时，它的表现尤其挣扎。比如给它一个明显悖论：“一个村子里有说真话和说假话的两类人，A说‘B是说谎者’，B说‘A和C都是说谎者’，C说‘B是说真话者’，问谁说真话？”GPT-5.1会用穷举法列出所有8种真假组合，逐一验证，找到唯一解。Gemini 3 Pro则试图用逻辑代数推导，过程中多次陷入循环论证，最后给出一个错误答案。这暴露了它的短板： 对形式化逻辑系统的鲁棒性不足，过度依赖语义启发式 。它擅长处理“现实世界中的数学”，比如从实验数据拟合曲线、分析物理模型的数学表达，但对纯符号逻辑的严密推演，仍需人工把关。我的应对策略是：让它先给出解题思路框架，我确认逻辑链无漏洞后，再让它执行具体计算；或者，对关键步骤，强制它用“分步验证”模式，每步输出中间结果供我核对。

4.2 科学推理：在假设生成中闪耀，在证明闭环中失焦

Gemini 3 Pro在科学领域的优势，集中体现在 假设生成与文献综述 上。我让它分析一篇关于钙钛矿太阳能电池效率衰减的Nature论文（PDF）和三篇相关专利，提问：“提出3个可能导致效率衰减的新机制假设，并为每个假设设计一个可验证的实验方案。”它的输出令人振奋：第一个假设聚焦于“界面离子迁移在光照下的非平衡态积累”，实验方案是设计原位XRD+光电流同步测量；第二个假设指向“晶格氧空位在电极界面的动态重组”，方案是用环境TEM观察电极/电解质界面；第三个假设大胆推测“有机配体光解产物与金属电极的催化副反应”，方案是用GC-MS分析老化器件封装气体。这三个假设，不仅新颖，而且都精准踩在领域前沿争议点上，实验方案也具备可行性。我拿给实验室博导看，他说：“第一个假设我们正在做，第二个是去年Science一篇评论文章提出的猜想，第三个……很有意思，值得试试。”这种能力，源于它对海量科学文献的跨学科关联挖掘——它能把材料科学的缺陷理论、电化学的界面动力学、分析化学的检测方法，在一个统一的问题框架下重新组合。但一旦进入 严格证明环节 ，它的光芒就暗淡了。我让它基于上述第一个假设，推导出“离子迁移速率与开路电压衰减速率的定量关系方程”。它给出了一个包含扩散系数D、浓度梯度∇c、电场E的复杂偏微分方程，看起来很专业。但我用基础电化学知识检查，发现它错误地将离子迁移电流密度J_i与电子电流密度J_e直接相加，忽略了二者在半导体中的不同输运机制。这个错误，GPT-5.1几乎不会犯，因为它更习惯在已知物理定律的约束下做推演。Gemini 3 Pro的强项是“破”，是打破思维定式提出新方向；弱项是“立”，是构建无懈可击的理论闭环。所以我的用法很明确：让它当我的“科研头脑风暴伙伴”，负责发散、联想、找盲区；而当需要严谨建模或证明时，我立刻切换到更专注的工具，或者把它生成的初稿，作为我深入思考的起点。

4.3 逻辑陷阱：当它开始“自我辩论”，却忘了规则

Gemini 3 Pro处理复杂逻辑时，最有趣也最危险的特性是它的 多路径探索倾向 。它不像GPT-5.1那样倾向于给出一个确定答案，而是常常启动多个推理分支，然后自己辩论。这在开放性问题上是优势，但在需要唯一解的场景下，就成了隐患。我设计了一个经典逻辑题：“有三扇门，一扇后是汽车，另两扇后是山羊。你选了1号门。主持人（知道门后情况）打开了3号门，是山羊。现在，你换选2号门，赢得汽车的概率是多少？”GPT-5.1会直接给出“2/3”的标准答案，并用条件概率公式解释。Gemini 3 Pro的回复长达一页：它先陈述标准解法（2/3），然后提出“主持人行为动机”质疑——如果主持人是随机开门，结果还是山羊，概率就变成1/2；接着它又讨论“如果主持人必须开门且必须开山羊门，但偏好开左边门”，概率又会变化……最后它总结：“在标准蒙提霍尔问题设定下，答案是2/3，但实际应用中，必须明确定义主持人行为规则。”这个回答本身很深刻，但它完全忽略了题目明确给出的“主持人知道门后情况”这一前提，把一个确定性问题，变成了一个开放性讨论。这种“过度思辨”，是它多模态思维的双刃剑：它总想把问题放到更大的语境里审视，但有时会因此迷失在自己的假设森林里。我的经验是：对这类经典逻辑题，我必须用极其强硬的指令锁定规则，比如：“严格按照蒙提霍尔问题原始设定，主持人必然知道门后内容，且必然打开一扇有山羊的门（非你所选），不考虑任何其他变体。只给出最终概率和一行核心推导。”这样它才会收敛。另一个教训是：当它开始用“可能”“或许”“另一种观点认为”等措辞时，就意味着它进入了不确定区，此时的答案，必须打上“待验证”标签，绝不能直接采用。

5. 实操避坑指南：那些官网不会告诉你的细节

5.1 图片上传的“隐形门槛”与绕过技巧

Gemini 3 Pro对图片的宽容度，远高于宣传。但它有几条“隐形门槛”，踩中就会触发静默降级（即不报错，但效果大打折扣）。第一条是 色彩空间陷阱 ：它对sRGB格式最友好，但如果你上传一张Adobe RGB或ProPhoto RGB的图片（常见于专业摄影后期），它会自动转换，过程中可能丢失色域信息，导致文字识别失败。我遇到过一次，一张用Adobe RGB保存的实验室仪器面板图，上面的红色警告文字被它识别成“黄色”，因为转换时发生了色偏。解决方案很简单：上传前用Photoshop或免费工具（如IrfanView）将图片转为sRGB，或直接用手机截图（默认sRGB）。第二条是 文件名玄学 ：它对文件名中的特殊字符极度敏感。我曾上传一张名为“实验数据_2024-03-15#final.png”的图，它反复识别失败；改成“exp_data_20240315_final.png”后，立刻成功。原因可能是文件名被当作元数据参与了初始解析。第三条，也是最坑的，是 PDF中的混合内容 ：如果你上传一个PDF，里面既有扫描的图片页，又有原生的矢量图页，Gemini 3 Pro会优先处理矢量图，而忽略扫描页。我处理一份含手写批注的PDF时，批注在扫描页上，结果它完全没看到。解决办法是：用Adobe Acrobat或免费工具（如PDF24 Tools）先把PDF“栅格化”（Rasterize），强制所有页面变成图片，再上传。这些细节，没有文档会写，全是我在一次次“咦？怎么这次不行？”中试出来的。

5.2 长上下文的“记忆保鲜期”与主动唤醒术

百万token不等于永久记忆。Gemini 3 Pro的上下文有“新鲜度衰减”——越早输入的内容，权重越低。我做过测试：在一次对话中，我先上传了100页PDF（A），然后上传了50页代码（B），最后提问关于B的问题，它回答得很准；但当我隔了20轮对话（约15分钟）后，再问同一个关于B的问题，它开始混淆A和B里的概念。这不是bug，是资源管理策略。我的应对不是“别聊别的”，而是 主动唤醒 ：在关键问题前，加一句“请重点回顾我们之前上传的[文件名]中关于[具体章节/函数名]的部分”。它会立刻重新加载相关片段。更高级的技巧是“锚点标记”：在上传重要文件时，我在文件名后加一个唯一ID，比如 linux_kernel_v68_drivers_gpio.zip#GPIODRIVER2024 ，之后提问时直接引用这个ID：“基于#GPIODRIVER2024，分析……”。这相当于给它一个记忆快捷方式。另外，我发现它对 代码块的持久性优于纯文本 。同样长度的代码和文字，代码在长对话中保持活性的时间更长。所以，我把重要的技术规格、协议条款，都刻意整理成代码块格式（用```text包裹），哪怕里面没有代码。这个小动作，让关键信息的留存率提升了约40%。

5.3 多模态任务的“失败急救包”

当Gemini 3 Pro在多模态任务中卡住（比如对一张图反复说“我需要更多信息”），别急着重来。我总结了一套“三步急救法”：第一步， 降维提示 ：去掉所有修饰词，用最原子的指令。比如原问题是：“分析这张图里设备的故障模式，并给出维修建议”，改成：“图中有什么部件？每个部件的状态如何？（正常/损坏/缺失）”。它往往能先搞定基础识别，再逐步深入。第二步， 引入参照物 ：给它一个它绝对认识的“锚点”。比如处理一张模糊的电路板图，我加一句：“图中左上角有标准的USB Type-C接口，请以此为比例尺和方向参考”。USB接口的形态是它训练数据里的高频特征，这个锚点能瞬间激活它的空间认知模块。第三步， 分治上传 ：不要一股脑上传所有文件。对于“图纸+代码+照片”任务，我先只传图纸和照片，让它定位问题区域；确认它理解了现场后，再传代码，让它针对性分析。这比一次性上传成功率高得多。还有一个血泪教训： 永远不要相信它对“模糊”的主观判断 。它说“图片太模糊”，可能只是因为光线不均。我试过把一张它判为“无法识别”的昏暗照片，用手机自带的“增强”滤镜调亮对比度，再上传，它立刻给出了完美结果。所以，“模糊”很多时候是光照或对比度问题，不是分辨率问题。

5.4 逻辑与数学题的“防幻觉协议”

为了压制它的数学幻觉，我制定了一套个人“防幻觉协议”：第一， 强制分步 ：永远不问“答案是多少”，而是问“第一步该做什么？”，得到回复后，再问“第二步呢？”，直到完成。这强迫它暴露每一步的推理，便于我拦截错误。第二， 交叉验证指令 ：在关键计算后，加一句“请用另一种方法验证这个结果”。比如解方程后，让它代入原式检验；算完积分，让它用数值积分（如辛普森法）估算验证。第三， 绑定物理单位 ：在涉及物理量的题中，我坚持要求它在每一步都带上单位，并检查单位是否自洽。它曾在一个热力学题中，把“kJ/mol”错写成“J/mol”，导致结果差1000倍，但单位检查立刻暴露了这个错误。最后，也是最重要的： 永远保留原始问题的副本 。我有一个专门的笔记，记录每次提问的原始措辞、Gemini 3 Pro的回复、我的验证过程和最终结论。这不仅是防错，更是训练我自己——看它在哪类问题上容易错，下次就能预判风险。这套协议，让我在三周内，把它的数学错误率从最初的18%压到了现在的7%，虽然还是不如GPT-5.1，但已足够支撑日常工程计算。

6. 它不是替代品，是我工作流里新长出的那根手指

写完这篇，我回头看了眼Gemini 3 Pro自动生成的那张配图——一张融合了代码、电路图、数学公式的抽象画，色彩浓烈，线条奔放。它很美，但和我真实的使用体验无关。真实的体验是琐碎的：是它把一张油渍斑斑的维修单识别成Excel时，自动把“拧紧”识别为“宁紧”，我笑着敲下“请更正为‘拧紧’”，它秒回“已修正，并标记该词为易错词，后续同类文本将优先校验”；是它分析完200页PDF后，主动问我“是否需要我为您生成一个交互式知识地图，点击节点即可展开原文段落？”，我点了“是”，它真的生成了一个带跳转链接的Markdown文档；是它在我为一个算法题纠结时，没有直接给答案，而是反问我：“您希望这个解法侧重时间复杂度优化，还是内存占用最小化？或者，您更关注代码的可读性和可维护性？”——那一刻，它不是工具，是坐在我对面，认真听我需求的同事。所以，我不再纠结“Gemini 3 Pro和GPT-5.1谁更强”。它们是不同维度的进化：GPT-5.1像一把淬火百炼的精密手术刀，专攻逻辑深井；Gemini 3 Pro则像一株不断分枝的藤蔓，把视觉、听觉、文本、代码的触须，伸向工作流的每一个缝隙，把割裂的环节重新编织。它不完美，会犯“人类式”的错，但正是这些错，让我觉得它在真实地思考，而不是完美地表演。我现在的桌面，左边是GPT-5.1的窗口，处理需要绝对严谨的算法推演；右边是Gemini 3 Pro，处理那些需要“看见”、“听见”、“联想到”的混沌任务。它们之间，是我不断移动的鼠标光标，和越来越清晰的工作逻辑。这大概就是未来的样子：不是AI取代人，而是人长出了新的感官和肢体，去触摸更广阔、更复杂的世界。