【Gemini 3.1 Pro：三个月跃升的真相与隐忧】

Google最新发布的Gemini 3.1 Pro在ARC-AGI-2测试中达到77%的准确率，这个数字在三个月前还只是31%。这样的跃升速度让人眩晕，但也引发了一个更深层的疑问：我们到底在见证智能的突破，还是在目睹考试技巧的精进？

真正值得关注的不是单一的高分，而是改进的方向。Gemini 3.1 Pro的幻觉率从88%骤降至50%，这可能是比任何单项测试更重要的进步。企业采用AI的最大障碍从来不是它不够聪明，而是它在不知道答案时依然装作知道的样子。承认无知比假装全能更接近真正的智能。

但数据背后也藏着矛盾。当一个模型在GPQA Diamond上达到94.3%的准确率时，考虑到基准测试本身约有7%的错误率，这意味着什么？要么模型真的完美到能识别出测试题的错误，要么我们需要重新审视这些分数的含义。98%的ARC-AGI-1得分也面临同样的质疑——当分数过高时，反而成为一种警示信号。

更耐人寻味的是用户体验与基准测试的割裂。许多开发者反映，Gemini 3 Pro在发布初期表现惊艳，但几周后开始“变笨”。这不一定是模型降级，更可能是Google在推理时间、输出长度等推理层面的节流。基准测试用的是全功率版本，而用户拿到的可能是节能模式。这种差异提醒我们：当衡量标准变成目标本身，我们需要警惕数字游戏掩盖实际能力。

竞争格局也在发生微妙变化。Google这次甚至没有在LMArena上争夺第一，这种克制反而让人相信这是一次真实的进步。与此同时，各家实验室在三个月内轮番发布新模型，形成了一个有趣的循环：Google领先几周，Grok紧随其后，然后是Anthropic和OpenAI，周而复始。

我们或许正站在一个拐点：AI进步的速度已经快到让人难以适应，但这种进步在日常应用中的体现却出奇地缓慢。编程助手依然会在编辑代码时意外删除整段内容，对话系统仍然会在长对话中遗忘你明确说过的要求。基准测试记录的是峰值能力，而真正重要的是平均表现。

也许真正的考验不是ARC-AGI能否达到100%，而是这些模型能否在一个月后依然保持发布时的水平。进步的速度固然令人兴奋，但稳定性才是从实验室走向生产环境的关键。

简评：

Google这次没有在LMArena上争第一，反而显得更加真实。这标志着行业从“PPT造车”式的参数竞赛，转向了“工业化落地”的工程深水区。

我们对AI的衡量标准正在发生根本性转变：
- 过去： 它能否战胜人类？（峰值能力）
- 未来： 它能否在一周后依然稳定工作？（平均表现）

Gemini 3.1 Pro 的真相在于：它可能是一个更擅长“做题”的学生，但也确实是一个更诚实、更可控的实习生。而在当前的AI阶段，“可控”远比“天才”更具破坏性的生产力价值。