Google Gemini使用指南：功能详解与对比

OpenAI 旗舰 GPT-5.6「Sol」与 Google Gemini 的对决，是一场强项几乎不重叠的比拼：Sol 在终端·智能体编码上压倒性领先，Gemini 则以原生多模态（语音·视频）、约半价的价格以及 MMLU/ARC-AGI-2/WebDev Arena 抗衡。需要注意时态陷阱——Google 真正的对手 Gemini 3.5 Pro 在本文时点尚未发布（预计7月中旬 GA），因此公正的比较对象是现行旗舰 Gemini 3.1 Pro。本文依据官方发布与独立基准，梳理两者的实力、价格、多模态以及按场景的选择方式。

向 AI 提问，就能获得基于 Google 搜索最新信息的回答——并与 Gmail、Docs、YouTube 无缝衔接。这就是 Google Gemini 的世界。Gemini 是 Google 打造的对话式 AI（以及背后的模型家族），广泛嵌入到移动应用、Web、Google Workspace 和 Android 中，并在文本、图像、音频与视频之间实现多模态。模型分为"快又便宜的 Flash 系列"和"聪明的 Pro 系列"——最新是 Gemini 3.5 Flash 与 3.1 Pro。价格为 Free / Plus 7.99 美元 / Pro 19.99 美元 / Ultra 99.99 美元（Ultra 从 249.99 美元下调），2026 年转向基于算力的用量限制。本文以 2026 年 5 月的信息梳理模型阵容、核心功能（Deep Research、Gems、Canvas、Live、Deep Think）、三大强项（Google 整合、长上下文、多模态）、价格，以及与 ChatGPT、Claude 的差异。

2026年4月，多模态基准MMMU-Pro在GPT-5.5、Claude Opus 4.7、Gemini 3.1 Pro与Qwen 3.5 Omni上同时达到81–83%——图像理解实际上已经饱和。架构已从拼接式（独立编码器+适配器）迁移至原生全模态（所有模态作为共享token流）。本文涵盖什么是多模态AI（LMM/VLM/Omnimodal）、架构分水岭及其意义、各模态的强弱在技术上由什么决定（视频、音频、文档/UI、开放权重模型）以及2026年5月的对比快照、值得关注的四个基准（MMMU-Pro、Video-MMMU、DocVQA、AudioBench）、五种用例各自该依据什么标准来选，以及三条硬性局限（低质量图像的猜测、视频中段准确率、方言与术语音频）——以最新研究与实操经验为依据。

向生成AI提问时是否遇到过"该信息不在我的知识范围内"的回复？每个生成AI工具都有训练数据的截止日期。本文对比8大主流生成AI的知识截止日期及联网搜索支持情况。