Google新一代视觉AI超越GPT-5.1，Gemini 3 Pro视觉推理成绩亮眼

Google的新一代视觉AI展现强势实力，Gemini 3 Pro在视觉推理方面表现突出，超越了GPT-5.1，这一进步标志着人工智能在视觉领域的又一重要突破，有望为图像识别、自动驾驶等领域带来更多创新和应用。

google正式公布，其最新多模态大模型gemini 3 pro在近期多项权威视觉ai基准测试中斩获多项榜首成绩，尤其在聚焦高阶图像与视频理解能力的mmmu‑pro与video‑mmmu两大评测中表现亮眼，多项核心指标已超越openai最新发布的gpt‑5.1及anthropic推出的claude opus 4.5。

据Google官方披露及第三方机构汇总数据，Gemini 3 Pro在MMMU‑Pro基准中取得约81%的准确率，在更具挑战性的Video‑MMMU测试中更达到近87.6%，相较前代Gemini 2.5 Pro及其他当前主流旗舰模型，整体性能实现显著跃升。

延伸阅读：

每天省下1小时？OpenAI调查发现每天用AI 省下40至60分钟！

Google指出，Gemini 3 Pro的理解能力已从基础“识别图像内容”全面升级为“深度解析文档结构”，可精准识别文档版式、表格行列关系、数学表达式及各类统计图表，并能依据任务要求展开分步逻辑推理；在CharXiv等专业文档推理测评中，其表现甚至优于人类平均水平。此外，该模型还具备高精度空间定位能力，可在图像中标注出特定物体及其精确坐标，因而特别适用于机器人实时操控、AR/VR场景导航，以及面向用户的“视觉代理”应用——例如实时观察屏幕界面并自主完成点击操作。

在落地部署层面，Google强调，Gemini 3 Pro将率先投入对专业图像与文本数据处理要求极高的垂直领域，涵盖教育内容解析、医学影像辅助判读、金融数据建模分析及法律文书智能审阅等场景，切实赋能临床诊断支持、长篇报告摘要生成、合同风险识别与财务报表结构化提取等关键任务。目前，Gemini 3 Pro已通过Google AI Studio平台及开放API向开发者提供试用权限，并支持自定义图像分辨率与视觉token配额配置，便于企业根据实际预算、延迟容忍度与精度需求，灵活平衡模型性能与运行成本。