谷歌Gemini:能听音频辨游戏皮肤,非程序员最好的模型?
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Gemini 4 Hydrogen(氢),谷谷歌歌是想给
最近有关注
Gemini的朋友应该注意到了,它的更新节奏挺密。
谷歌先拿出Gemini 4 Argon(氩),又推出Gemini 4
Carbon(碳),这边还没摸透,Gemini 4 Hydrogen(氢)又来了。这是打算把元素周期表挨个端一遍?

网上对谷歌模型的评价,确实离O家和A家越来越远。甭管是最新的Argon、Carbon还是Hydrogen,一聊到Gemini,AI圈里就有人开嘲:还不得去给Claude和GPT两位叔叔低头?
但今天我想抛个暴论:被大家天天叫“北美豆包”的Gemini,恰恰是眼下全世界最接近AGI的模型。
先别急着骂。用一用就明白,除了编程,这家伙全面得离谱。
比如最近不少网友发帖夸Gemini 4的文笔,说它无可争议是世一模。

也有人分享自己被Gemini庞大世界知识震到的瞬间:像3.8 Flash这种模型,对冷门材料学的理解有时居然比GPT Astra还强。

于是我花了一周,把Gemini深度用了一遍,才发现它确实被低估了。甚至可以说,对非程序员来讲,它就是世界上最好的模型,是无可争议的人味G.O.A.T。
先说一个大家几乎没留意过的点:市面上大多数号称“多模态”的顶级大模型,其实是聋的。
很多人测多模态时,会让它看图、看视频,却一直忽略一件事——大模型的听觉。
不少标榜多模态的模型,其实没有听觉。像GPT-6、Claude 5.5,你让它们听声音,回答可能挺像样,但音频是偷偷转给别的工具处理的,模型本身听不见。

而Gemini从1.5代起就是彻头彻尾的全模态模型,文字、图片、视频、音频都能理解。光说体会不到它有多离谱,先听一段音频。
应该不难听出,这是Minecraft里的几段经典音效。
我们把这段音效丢给同样有音频理解能力的千问3.8 Omni和豆包Seed 2.1 Lite。千问基本没猜中;豆包强一点,听出了打嗝、机械触发等声音,但没听出这是游戏音效。


Gemini的表现就轻松了,一耳朵听出这是《我的世界》的游戏音效,动作对应也八九不离十。更离谱的是,这还只是3.8 Flash——随便拿个Flash出来,就是别人够不着的高度。

要是还不服,觉得这纯属Gemini运气好,别急,还有更吓人的。
下面这段音频,我估计只有一小部分差友能听出来。
因为它真的很冷门,答案是英雄联盟卡莎皮肤——星之守护者的音效。天天打这游戏的人也不一定听得出来,毕竟不一定有皮肤。
一样地,千问没听出来,Seed听出是游戏音效,可惜猜成了《堡垒之夜》。

但Gemini真把我吓到了。我本来就是抱着试试看的心态,没想到它真猜了出来,不只定位到游戏、角色,连皮肤都点出来了。不是,哥们你真玩过?

那结论可以下了:论听力,Gemini就是毫无争议的世界第一。
但这远不是Gemini的上限。它不光能听声音,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《雨爱司凤版》,一段《雨爱》杨丞琳版,看它听哪个更通透。
我从没告诉它这是什么歌,文件名也改过了。结果它一耳朵听出司凤版是AI生成的,还听出混音粗糙、音色偏廉价和塑料,只配进军鬼畜区;杨丞琳版明显比活凤版耐听。看完真让人想明白了很多事。


更夸张的是,Gemini 的本事不只停留在点评音乐上。把笔交给它,它是真能写;论作曲,它也是数一数二的水平。
音乐生成模型 Suno 走的是另一条路。用 Gemini 这类语言模型作曲,靠的是调用电脑上的专业软件来完成,跟人自己动手搓出来的过程差不多。
我们也试了试,让它照着著名歌曲《茉莉花》写一首钢琴变奏曲。来听一段吧,优雅永不过时。
音乐之外,Gemini 还是我觉得这世上最有人味、最幽默的模型。有文字创作需求的人,不少已经被现在的 AI 折磨到彻底疯狂,最有名的就是 GPT 写作时那顶级防御力。
让它做番茄炒蛋,它得给你来两轮冒烟测试;你不让它加红烧肉,它就端出一份番茄炒蛋(无红烧肉版),能把人气笑。

我还想玩玩梗,让 GPT 扮成 Claude 跟我说话。结果它一点眼力见都没有——Claude 怎么能和中国人说话呢?

同样的话我讲给 Gemini 听,它一个字没回,直接给我发了封封号邮件。。这幽默感 GPT 一辈子学不来吧?

至于为什么没测 Claude,号刚没。
解释梗图这件事上,Gemini 也是解得最准的那个。
比如这张图为什么好笑?聪明的你已经发现了,mihoyo 的 mi 很像 mj。

可 Claude 错了,GPT 错了,豆包也错了,只有 Gemini 看出了 mj。
我估摸着,是因为 Gemini 的世界知识大概是全世界模型里最多的。这种大模型聊起来才最舒服:基本有问必答,防御力低,再犄角旮旯的事都能聊上几句(这也是人们爱拿 Gemini 当老公/老婆的原因)。
再加上它无敌的多模态能力,聊起来更舒服,交互是真的方便。那天我飞书出了点 bug,感觉挺小众,不知道怎么描述,就录了段视频发给它。。
Gemini 秒答的速度,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,甚至六个面只拍了五张。
结果 Gemini 直接认出了这东西的名字,还靠照片里的空间位置关系还原出六个面的相对位置,最后建模,把复原路径算了出来。
至于我求助的 Opus 5.5,完全没看懂。
所以需求再小众,也去和 Gemini 聊聊吧,Flash 都行,它大概率能给你答案。
最后,我依然认为 Gemini 是写作界的 GOAT,全网无代餐。
很多人觉得 Gemini 写的东西味道很重,很像舔狗。其实 Gemini 在写作风格上的学习能力是最强的,你只要多喂语料、加提示词限制就行。
等你把它调成自己喜欢的样子就会发现,它的品味很独特,每段过渡都很自然,还常整出一些我都没料到的小巧思。
对比 ChatGPT 和 Claude 两家的模型,我很突出的感受是:它们写作抓不住重点,得你认真写大纲告诉它重点在哪;还爱过度防御,爱改掉你的比喻说“不严谨”,爱删掉你的段子说“不尊重”,致敬世界上最有敬畏之心的模型。
幻觉这块,Gemini 到现在也没搞定。可放到写作上,幻觉偏偏少不了——专业作者就得敢下判断,哪怕判断错了,读者读完至少知道该从哪儿提意见。反过来,一篇文章通篇都是"不一定",挑不出毛病,但也基本没什么价值。
体验下来,Gemini 的短板照样扎眼。最经典的就是 Banana 起手,什么事都想给你画张图,艺术家的天赋根本藏不住。
网页版、APP、Antigravity,一个比一个难用。都这个年代了,怎么还有人能接受那种雷霆排版?
它说的话也不能全信,突发性流口水不是开玩笑的。真要严谨的活,还是老老实实交给别的 AI。
不过碰上需要一点小巧思、小创意的场合,Gemini 还是比别的 AI 高一个档次,就算流口水也流得更有味道。说到底,普通人眼里的好 AI 无非三条:先说人话,交互才舒服;感官健全,才有更多渠道感知你的需求;再有审美、有态度,才会给人意想不到的惊喜。这几处 Gemini 确实做得不错。
我猜不少人早就看腻了震惊瘫坐,看腻了鹈鹕测试,媒体为 Benchmark 上涨欢呼,心里却毫无波澜。大家等的,是有人站出来,给大模型探出一条更有意思的路。
所以到今天还有很多人念叨 GPT-4o、念叨 New Bing,把 Gemini 2.5 Pro 和 Claude Opus 4.6 当成白月光。大语言模型的发展越来越固化,它们至少带来了一些变数。
离真正的 AGI 还差得远,可只要这种带点活人味的模型还在往外冒,这件事本身就已经挺有意思了。