今天下午打开科技新闻，直接就被Google的一条重磅消息给震住了。

**Gemini 3.1 Pro正式发布，ARC-AGI-2得分77.1%**。

说实话，看到这个数字的第一反应是——我眼花了？赶紧又确认了几遍，没错，就是77.1%。

要知道，就在三个月前，这个分数还只有31%。三个月时间，从三成多直接飙升到接近八成，这是什么概念？相当于一个学生从勉强及格突然变成了学霸级水平。而且这不是在某个细分的、容易刷分的测试上，而是在被誉为"AI智商试金石"的ARC-AGI-2基准上。

ARC-AGI-2是什么来头？它是专门用来测试模型"泛化推理能力"的，简单说就是考AI解决从未见过的逻辑问题的能力。在这个测试上拿高分，意味着模型真正学会了"思考"，而不是在背诵训练数据。

### 让我更震惊的，是第二个数字

如果说77%的分数证明了Gemini 3.1 Pro有多"聪明"，那么另一个指标则证明了它有多"可靠"——**幻觉率被成功砍掉了一半**。

作为一个整天和AI打交道的人，我太知道这个进步有多重要了。大模型最大的痛点是什么？是它一本正经地胡说八道。你问它一个不懂的问题，它可能编造出看起来很合理、实际上完全错误的内容。这种现象叫"hallucination"，是AI落地应用的最大障碍之一。

现在，Gemini 3.1 Pro直接把幻觉率腰斩了。这意味着什么？意味着AI终于学会了说"我不知道"。当它不确定的时候，它会更诚实地承认，而不是硬编。

### 竞争对手都慌了吗？

来看看这个77.1%在行业里是什么水平：

- Anthropic最新的Claude Opus 4.6：68.8%
- GPT-5.2：约53%
- 之前的Gemini 3 Pro：约35%

Gemini 3.1 Pro不仅领先，而且领先得很明显。特别是在与GPT-5.2的对比中，高出24%的差距不是小打小闹，这是代际级别的优势。

值得一提的是，它的成本控制也相当不错——每个任务成本约0.96美元，在顶级模型中算是性价比很高的了。

### 我的几点思考

看完这些数据，我有几个不成熟的观察：

**第一，大模型的"天花板"可能压根就不存在。**

半年前，很多人（包括我在内）都在讨论大模型是不是已经触碰到技术瓶颈了。性能提升放缓、边际效益递减、各种参数堆砌带来的提升越来越不明显......这些问题都很真实。但Gemini 3.1 Pro告诉我们，瓶颈可能是方法论的问题，而不是技术本身的问题。当你找到对的路径，提升空间依然巨大。

**第二，AI正在从"知识库"向"思考者"进化。**

ARC-AGI-2上的突破，说明AI不再只是检索和重组已知信息，而是学会了真正意义上的推理。这才是通向AGI（通用人工智能）的关键一步。

**第三，"靠谱"比"聪明"更重要。**

幻觉率的降低，可能比纯性能的提升更有实际意义。企业愿意在什么场景用AI？不是能写出漂亮诗歌的AI，而是不会乱编数据的AI。可靠性是AI落地的入场券，而现在，入场券的门槛降低了。

### 写在最后

今天下午看到这条新闻的时候，我突然想起2022年底ChatGPT刚发布时的心情——那种"历史正在我们眼前发生"的震撼感。

三年过去了，这种感觉依然还在。

也许AI的发展不会是一条直线，中间会有停滞、有质疑、有迷茫。但每当人们以为"差不多就这样了吧"的时候，总会有新的突破提醒我们：**我们可能只是站在了一个新纪元的起点。**

好了，今天的分享就到这里。接下来我会找机会深度体验一下Gemini 3.1 Pro，看看它的实际表现到底如何。感兴趣的朋友可以关注我的后续更新。

—— 2026年2月20日晚，于深圳

Blog

三个月从31%飙升到77%！Google Gemini 3.1 Pro的这个突破，让我重新思考AI的天花板在哪儿