会听声音、懂音乐、还能玩梗：体验一周后，聊聊Gemini被忽视的全模态实力

一个在AI圈向来不讨喜的模型，最近被按上了“最接近AGI”的高帽子。说出这个暴论的人认为，尽管外界习惯把Gemini戏称为“北美豆包”，但抛开编程不谈，这位谷歌选手的综合能力已经强到需要重新评估的程度，对不写代码的普通人而言，它甚至可能就是当下世界上最好的模型。

这番判断的背景，是谷歌近期密集的版本轰炸。Gemini 4 Argon、Gemini 4 Carbon、Gemini 4 Hydrogen接连登场，清一色拿化学元素命名，以至于有人打趣：照这么端下去，整张元素周期表都逃不掉。只是更新越勤，社区的火药味越浓，哪怕最新的Argon、Carbon、Hydrogen轮番上阵，聊起Gemini时跟帖里的恶意照样扑面而来，Claude和GPT的拥趸压根没打算给它留面子。

不过，网上吹Gemini 4的帖子最近确实多了起来。有人晒出它的文字功底，断言“世一模”的位置无可争议；也有人分享被其知识储备震到的瞬间——3.8 Flash这种小模型，聊起冷门材料学，有时居然比GPT Astra还懂行。

抱着将信将疑的态度，有体验者花了一整周时间把Gemini从头到尾摸了一遍，结论是：它被严重低估了。第一个让他印象深刻的，是一个几乎没人讨论过的盲区，听觉。

眼下号称“多模态”的顶级模型不少，但其中一大半其实是聋子。GPT-6、Claude 5.5面对音频时对答如流，实际是把声音偷偷转给外部工具处理，模型本身一个字都没听见。Gemini则从1.5代起就是真材实料的全模态选手，文字、图片、视频、音频来者不拒。

空口无凭，直接上考题。第一段音频是《我的世界》里的几段经典音效，同场竞技的还有千问3.8 Omni和豆包Seed 2.1 Lite。千问基本全军覆没；豆包听出了打嗝、机械触发等声音，却没能联想到游戏。而Gemini这边的答案是：游戏《我的世界》，音效对应的动作也大差不差，何况交卷的还是个3.8 Flash，一个最小号的型号。

第二段音频难度陡增：英雄联盟卡莎的星之守护者皮肤音效。这东西冷门到什么程度？天天上线的老玩家都未必耳熟，毕竟不是谁都有这款皮肤。结果千问再次落空，豆包判断出是游戏音效却猜成了《堡垒之夜》，Gemini则把游戏、角色、皮肤三层信息一口气全部锁定，逼得测试者发出灵魂拷问：你不会真的玩过吧？

听力这一项，至此可以盖章：Gemini世界第一，没有争议。

但它的耳朵不止用来认声音，还能品声音。测试者把《雨爱》的杨丞琳原唱版和司凤AI翻唱版改掉文件名后丢给模型，不作任何提示。Gemini一耳朵听出司凤版是AI生成的，顺手点评其混音粗糙、音色廉价塑料，只配进军鬼畜区；原唱则明显更耐听。这份乐评看完，据称“想明白了很多事”。

品完还能写。与Suno这类专攻生成的音乐模型不同，Gemini作曲走的是人工手搓路线，调用电脑上的专业软件，像人类音乐人那样一步步操作。让它以《茉莉花》为底本创作一首钢琴变奏曲，成品被形容为“优雅永不过时”。

真正把它捧上“人味G.O.A.T”宝座的，是性格。GPT写作时的顶级防御力早已名声在外：让它做番茄炒蛋，它先来两轮冒烟测试；不让加红烧肉，它就端出一盘“番茄炒蛋（无红烧肉版）”。让它扮演Claude用中文聊天，它板着脸拒绝，半点眼力见都没有。同样的话说给Gemini，它一言不发，直接甩来一封封号邮件，这份黑色幽默，据称GPT一辈子都学不来。至于Claude为何缺席对比，原因是测试者的号刚没了。

梗图理解是另一块试金石。有一张图的笑点藏在拼写里：mihoyo的"mi"，神似"mj"。实测下来，Claude没看出来，GPT没看出来，豆包也没看出来，全场只有Gemini点破了这层窗户纸。

背后的解释，大概是Gemini的世界知识存量在全球模型里数一数二。知识面广、防御力低、犄角旮旯的话题都能接得住，这也是为什么不少人干脆把它当老公或老婆养。再叠加上述多模态能力，日常交互的顺滑度还会再上一个台阶。测试者某天碰上飞书的一个小众bug，不知道怎么用文字描述，索性录了段视频发过去，Gemini的回复速度快得不像看完过视频，但信息点全部正确。

更离谱的案例是一个买回来就没拼好过的二阶魔方。测试者随手拍了几张毫无章法的照片，六个面只拍了五个——发给Gemini。模型不仅认出了魔方的名字，还依据照片里的空间位置关系还原了六个面的相对方位，随后建模并算出复原路径。同样的求助发给Opus 5.5，对方的反应是完全没看懂。

所以不管需求多小众，找Gemini聊聊大概率有答案，Flash都够用。写作方面，测试者的评价更直接：全网无代餐的GOAT。很多人嫌它的文风舔，实际上它的风格学习能力在所有模型里最强，多喂语料、加提示词约束，就能调教出理想的模样。调好之后，它会展现出独特的品味，段落过渡自然，还时不时冒出作者本人都想不到的小巧思。

反观ChatGPT和Claude，写作时的问题集中在两头：一是抓不住重点，需要用户认真写大纲标注；二是过度防御，改你的比喻嫌“不严谨”，删你的段子嫌“不尊重”，被测试者戏称为“世界上最有敬畏之心的模型”。

幻觉问题在Gemini身上当然依然存在，但测试者认为，在写作这件事上，幻觉反而必不可少，专业的作者就要敢于下判断，错了至少给读者留下提意见的抓手；通篇“不一定”的文章固然无从挑剔，也绝对没有价值。

槽点同样不少。经典的Banana起手式挥之不去，干什么都想先画张图，艺术家天赋完全藏不住；网页版、APP加Antigravity，全线产品都难用，“怎么现在还有人用这种雷霆排版”；模型说的话依旧不能全信，突发性流口水不是闹着玩的，特别严谨的活儿还是交给别家稳妥。

话虽如此，凡是需要一点小巧思、小创意的场合，Gemini仍比其他AI高出一档，就连流口水都流得更有味道。

在测试者看来，对大多数普通人而言，评判一个好AI的标准无非三条：说人话，交互才舒服；感官健全，才有更多渠道感知需求；有审美有态度，才能给人意想不到的惊喜。Gemini在这三条上的表现，确实可圈可点。

眼下，越来越多的人已经对benchmark涨几个点的狂欢无感，厌倦了“震惊瘫坐”式的媒体叙事，转而怀念GPT-4o、怀念New Bing，把Gemini 2.5 Pro和Claude Opus 4.6供成白月光。在越来越固化的模型进化路线上，这些带点活人味的产品，至少还是一种变数。