Gemini 3.5 实测拆解:跑分很好看,但工程选型不能只看跑分

Google I/O 2026 刚结束,Gemini 3.5 Flash 的数据就刷屏了——289 tokens/s、MCP Atlas 83.6%、Terminal-Bench 76.2%。作为经常做多模型对比的开发者,我在库拉(leadhi.cn)这个 AI 模型聚合平台上把 Gemini、GPT、Claude 同时跑了一遍实测,发现跑分好看和"适合你的项目"之间,隔着一整套翻译逻辑。

这篇文章就做一件事:把基准指标翻译成工程决策语言。

先看硬数据:3.5 Flash 到底赢在哪

Google 打破了"先 Pro 后 Flash"的惯例,3.5 Pro 推迟到 6 月发布,Flash 直接成为 Gemini App 和 Google Search AI Mode 的默认模型。信号很清楚:Google 认为 Flash 的能力已经够撑场面了。

具体数据:

Terminal-Bench 2.1(终端编码)76.2%,超越自家 3.1 Pro 的 70.3%,逼近 GPT-5.5 的 78.2%

MCP Atlas(Agent 工具调用)83.6%,全场最高,领先 Claude Opus 4.7 的 79.1% 和 GPT-5.5 的 75.3%

CharXiv Reasoning(多模态图表推理)84.2%,MMMU-Pro 83.6%,多模态能力登顶

输出速度 289 tokens/s,是 GPT-5.5 和 Claude Opus 4.7 的 4 倍以上

15 项核心基准中,有 11 项超越前代旗舰 3.1 Pro。一个轻量模型挑落前代旗舰,这种代际跃迁确实罕见。

但取舍也很明显

三个维度上,3.5 Flash 做了明确让步:

深度推理:Humanity's Last Exam 得分 40.2%,不仅低于 Claude Opus 4.7 的 46.9%,甚至低于自家上代 3.0 Flash 的 43.5%——罕见的代际下滑。Google 有意识地把默认 thinking level 从 High 降到了 Medium。

长上下文召回:MRCR v2 128k 测试得分 77.3%,自家 3.1 Pro 是 84.9%,GPT-5.5 达到 94.8%。极限状态下精准召回率甚至降至 26.6%。

复杂重构:SWE-Bench Pro 得分 55.1%,Claude Opus 4.7 达到 64.3%,9 个百分点的差距。

一句话:Agent 和多模态是主战场,深度推理和超长文档不是。

跑分到工程决策的翻译

三个选型思维框架

看调用频次。Agent 工作流是反复调用工具、读取反馈、修改方案的循环。20 次顺序工具调用,Gemini 总推理耗时约 7 秒,Claude 约 30 秒。每步省下来的时间在长链路中会被累积放大。

看错误成本。日常代码补全出个 bug 改一下就好,安全敏感的核心接口出错代价完全不同。Claude 在 SWE-Bench Pro 上 9 个百分点的优势,在复杂重构场景下意味着更少的返工。

看总拥有成本。按典型开发会话(50K 输入 + 5K 输出)算,Gemini 单次0.12,GPT−5.5要0.12,GPT−5.5要0.33,Claude 要1.13(citation:4)。一天跑100次,差距就是1.13(citation:4)。一天跑100次,差距就是12 vs $113。但 Agent 任务中 token 用量会膨胀,实际差距没单价看起来那么大。

趋势:混合路由正在替代"押注单一模型"

最务实的做法是分层部署:70-80% 的日常任务走 3.5 Flash 拿速度和成本红利,20-30% 的核心推理交给 Claude 或 GPT 保质量。Google 自己也在铺这条路——代号 Cappuccino 的 3.5 Pro 预计 6 月发布,定位深度推理。

Flash + Pro 的产品组合,本质上在告诉开发者:别指望一个模型解决所有问题。

跑分是起点,不是答案。拿自己的业务场景跑一轮真实测试,把基准指标翻译成你的工程语言——哪些任务该吃它的速度红利,哪些任务该交给推理更稳的模型——这才是最稳的选型方法。

©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容