你好，我是郭震
历经近半年，Gemini 从 3 升级到了 3.5，
并且这次只发布 了 3.5 Flash，号称已超越自家 3.1 Pro，
今天对比实测下，感兴趣可以看看。
1Gemini 3.5 Flash
先看Card报告评分：
在 Coding 上，它的 Terminal-bench 2.1 达到76.2%，已经接近 GPT-5.5 的78.2%，明显超过 Gemini 3 Flash 和 Gemini 3.1 Pro。
更关键的是 Agent 能力。
MCP Atlas 直接冲到83.6%，比 GPT-5.5、Claude Opus 4.7 都高；
Toolathlon 也有56.5%，说明它在 MCP、多工具调用、真实任务流里表现很强。
UI 操作也不弱，OSWorld-Verified 是78.4%，几乎贴着 GPT-5.5 的78.7%。
以上评分看到，Gemini 3.5 Flash 已成为在 Agent、MCP、真实工具使用场景里非常能打的主力模型。
2 对比实测
测试思路：确定测试环境，确定对比测试使用的大模型，把各自结果发给裁判Gemini-3.1-Pro
测试环境配置如下：
我构思了一个小型Agent任务，如下所示：
我会上传一个 Excel 文件，请读取并分析数据。请识别字段、数据类型、行数、列数，并检查空值/异常值/重复值。请自动选择适合做柱状图、折线图、饼图的字段。请只输出一个可直接运行的 HTML 文件，内含 HTML/CSS/JS。请使用 ECharts 绘制柱状图、折线图、饼状图。页面要包含数据概览、三张图表和每张图的中文结论。不要编造不存在的字段或数值，所有结论必须来自 Excel。如果某类图表不适合，请在页面中说明原因并给出替代图表。分别使用大模型：Gemini-3.5-Flash，DeepSeek-V4-Flash，DeepSeek-V4-Pro，GPT-5.5
选择Gemini-3.5-Flash：
发送这个小型Agent任务给它：
保存生成的HTML文件：
Gemini-3.5-Flash 结果展示：
上传一个Excel文件后数据展示：
可视化图展示：
同样小型Agent任务，提问：DeepSeek-V4 Flash
同样Excel上传DeepSeek-V4 Flash后展示：
DeepSeek-V4 Flash 数据可视化图：
同样问题，提问给DeepSeek-V4-Pro：
DeepSeek-V4-Pro数据分析可视化图：
DeepSeek-V4-Pro 数据展示：
DeepSeek-V4-Pro 可视化图：
同样问题，提问GPT-5.5：
GPT-5.5数据展示：
可视化图：
3 裁判打分
大概凭感觉也能看出来，谁会更好一些。但是为了更加客观，交给裁判Gemini-3.1-Pro模型，评估如下图所示：
裁判给出得分：
裁判给出详细解释：
再叫裁判总结为三句话，如下图所示：
DeepSeek-v4-pro凭借无可挑剔的严密逻辑与专业校验夺魁，是生产级精准报告的首选。
Gemini-3.5-flash以极强的容错稳健性位居次席，而DeepSeek-v4-flash凭借顶级视觉审美成为原型设计最佳工具。
GPT-5.5 因 UI 简陋与智能洞察匮乏全面落后，整体评价呈现出“追求精准选 Pro，追求颜值选 Flash”的格局。
为啥GPT-5.5排到最后，我还特意多试了几次，都是这样，还是挺出乎我的意料！
最后总结一下
篇幅关系，这次只用一个小型 Agent 任务，初步实测 Gemini 3.5 Flash 的真实表现，整体完成度比较稳。
如果追求严谨报告，DeepSeek-V4-Pro 更强，而 Gemini 3.5 Flash 的优势是均衡、稳定、适合真实办公自动化场景。
GPT-5.5为啥这个任务表现不好，挺出乎我的意料！当然这只是小样本测试，后面再用更多更复杂任务继续实测。
