Gemini到底强在哪:音频理解、写作与作曲实测
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Gemin....
最近关注
Gemini 的人可能注意到了,它的更新节奏相当密集。
先是端了个
从网上的讨论看,谷歌的模型跟 O 家和 A 家的差距,似乎越拉越开。哪怕是最新的 Argon、
Carbon 甚至 Hydrogen,只要话题一沾上 Gemini,AI 圈里的调侃就跟着来,好像不拿 Claude 和 GPT 出来踩一脚就说不过去。
不过我今天想抛个暴论:这个被大家天天挂在嘴边的“AGI 的模型”,其实被看低了。
先别急着反驳。真正上手用一用就会发现,除了编程,它在别的方面全面得离谱。
比如最近不少网友发帖夸 Gemini 4 的文字功底,说它是无可争议的世一模。
也有人分享自己被 Gemini 庞大世界知识惊到的时刻。
我花了整整一周把 Gemini 从头到尾用了个遍,用下来才意识到,大家确实小瞧它了。对不写代码的人来说,说它是全球最强的模型也不为过,那股人味儿没得挑。
拿一个大家从没注意过的点来说:市面上绝大多数号称“多模态”的顶级大模型,其实都是聋子。
很多人测多模态能力时,会给模型看图片、看视频,但一直忽略了一个点,那就是大模型的听觉。
不少宣传自己多模态的模型,其实并没有听觉,比如 GPT-6、Claude 5.5。你让它们听声音,它们可能会回得有模有样,但实际上是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,文字、图片、视频、音频等所有文件类型都能理解。光说这么多大伙是体会不到它有多离谱的,我们给了一段音频。
这段其实很好听出来,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
Gemini 这边呢,轻轻松松就过了关,一下就听出是《我的世界》里的游戏音效,动作对得也基本不差。更夸张的是,这还是个
如果你还不服,觉得这绝对是 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——
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》。
Gemini 可真把我惊到了,本来就是抱着试一试的想法,谁知道它真给猜中了,游戏、角色都点到了,连皮肤都没落下。不是,哥们你是不是真玩过啊?
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,因为它不仅能听声音,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》
我压根没跟它说过这是哪首歌,文件名也改掉了。它照样一耳朵听出来:司凤版是 AI 生成的,混音糙、音色又廉价又塑料,也就鬼畜区能收;杨丞琳版听着明显比活凤版舒服。看完这些,很多事一下就想通了。
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。
它跟一般的音乐生成模型不一样。
我们又试了一次,让它照着《茉莉花》写一首钢琴变奏曲,下面放一段给大家听听,优雅这东西确实不过时。
音乐之外,Gemini 也是我眼里最有人味、最幽默的模型。不少搞文字创作的人被现在的 AI 折腾得够呛,最典型的就是 GPT 写作时那个劲儿。
你让它做盘番茄炒蛋,它非要先跑两轮冒烟测试;你说别加红烧肉,它端出来的就是“番茄炒蛋(无红烧肉版)”,能把人气笑。
我想玩个梗,让 GPT 扮成 Claude 跟我对话,结果它一点眼力见都没有——Claude 哪能这么跟中国人说话呢?
换 Gemini,同样的话丢过去,它一个字没回,直接甩来一封封号邮件。这份幽默,GPT 怕是一辈子学不来。
你要问怎么没测 Claude,号刚没了。
解释梗图这件事上,Gemini 也是解得最准的那个。
比如这张图,笑点在哪?眼尖的人其实已经看出来了。
可 Claude 答错了,GPT 答错了,豆包也答错了,看出来的只有 Gemini。
我猜是因为 Gemini 的世界知识在全世界模型里算最多的。这类大模型聊起来才最舒服,基本有问必答,防御心低,多犄角旮旯的事都能扯两句——大家爱拿它当老公/老婆,原因也在这儿。
再加上它那无敌的多模态能力,聊起来更顺,交互是真的方便。那天我飞书出了点 bug,情况挺小众,我一时不知道怎么描述,就录了段视频发过去。
Gemini 回得飞快,快得不像把视频看完了,可它给出的信息全对。
我还有个买回来就没拼好过的二阶魔方,也不知道该怎么喂给 Gemini,就随手拍了几张照,毫无章法,六个面只拍了五张。
它直接认出了这是什么东西,还靠照片里的空间位置关系把六个面的相对位置还原出来,最后建了模,算出了复原路径。
至于我求助的那个问题——
所以说,需求再小众也不妨找 Gemini 聊聊,Flash 版本都行,它大概率能给出答案。
最后我还是那句话:写作这块,Gemini 是 GOAT,全网找不到替代品。
很多人嫌 Gemini 写出来的东西味道重、像舔狗,但它的写作风格学习能力其实是最强的,多喂语料、加上提示词限制就行。
等你把它调成自己喜欢的样子就会发现,它的品味很独特,每段过渡都自然,还常冒出些我自己都没想到的小巧思。
反观 ChatGPT 和 Claude 这两家,我感受最深的是它们写作抓不住重点,得你认真写大纲告诉它哪儿是重点;还爱过度防御,动不动改掉你的比喻说“不严谨”,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(此处原文未完)。
当然用下来,Gemini 的缺点也很明显,比如那个经典的——
比如网页版、APP、(此处原文未完)。
Gemini给出的回答照样不能照单全收,突然冒出来的胡编乱造可不是小事。真要办严谨的活儿,还是老老实实交给别的 AI 更稳妥。
可要是需要一点小巧思、小创意,Gemini 还是比别的 AI 高出一档,就算胡编,编得也更有味道。
说到底,对多数普通人来讲,好用的 AI 首先得会说人话,交流起来才顺;其次感官要全,才能从更多渠道接住你的需求;最后得有审美、有态度,才给得出让人意外的惊喜。这几处 Gemini 确实做得不错。
我猜不少人早就看腻了那种震惊瘫坐,也看腻了
这也是为什么还有不少人仍在念叨
在大语言模型越来越趋同的走向里,它们起码带来了一些变数。
哪怕离真正的 AGI 还差得远,只要这种带点活人味的模型还在冒出来,这事本身就挺有意思。