VirtueZ · 2025.11.18
从 Gemini 3 回看模型发布:跑分之外,哪些体验真正变了?
发布会上模型又赢了几个榜单,普通用户却可能只想知道一件事:我昨天做不成的事,今天是不是能少折腾一点?如果答案仍是“请打开新页面、复制资料、重新解释背景”,模型分数涨了,产品体验却未必跟上。
2025 年 11 月 18 日,Google 发布 Gemini 3,强调推理、多模态和编码能力,同时把 Gemini 3 带进搜索 AI Mode、Gemini 应用、开发者工具等入口。官方说明还区分了 Gemini 3 Pro 预览与随后逐步开放的 Deep Think。这里值得产品经理关注的,并非某一行榜单数字,而是 Google 没把它只当一个新聊天机器人发布:同一代模型进入用户本来就在用的产品,才有机会改变任务路径。
一、模型能力和产品能力之间,隔着一个使用入口
假设用户想弄懂一张复杂的现金流图。若他必须先截屏、保存、打开另一个 AI 网站、上传图片、补充公司背景,最后再回到原来的表格里核对数字,模型再会解释图表,也有不少摩擦。若能力就在当前工作入口里,用户可以直接指着图提问,系统还能把答案连回原始数据,体验会更完整。后者的价值来自模型、界面与上下文的配合,而不是模型单独的智力。
Google 把 Gemini 3 放进搜索,透露出它想改变用户查找信息的方式。传统搜索给出链接,用户自己打开、比较、理解;AI Mode 尝试在搜索过程中处理更复杂的问题,并根据问题生成不同形式的结果。这种方式如果做得好,用户可能少跳几个页面,更快抓到重点。但代价也清楚:一旦系统把不同来源揉在一起,用户更需要知道结论从哪里来、是否最新、还有哪些没有核实。方便不能代替可查证。
在 Gemini 应用里,同一模型又承担另一种角色。用户期待它理解意图、规划步骤、回应追问,而不只是吐出搜索摘要。开发者入口关注的是能否用 API 和工具把能力接进自己的服务。这些入口的验收标准完全不同:搜索要考虑信息来源与展示,聊天要考虑上下文与连续对话,开发者关心可控性、延迟、成本和故障处理。把一组“模型领先”写成三个入口都会赢,是产品讨论里很常见的跳跃。
二、演示里出现了交互,用户仍要知道谁负责什么
Gemini 3 的官方展示强调可视化与动态体验。相比把所有答案压成文字,模型可以参与生成图表、交互工具或模拟页面。这对教育、研究和产品讨论有吸引力:同一份复杂资料,用户或许能通过拖动参数、切换条件来理解。但可交互不代表可靠。一个演示页面看起来能动,数据、公式与边界条件仍需核对。特别是涉及金额、医疗或法律等高风险内容,漂亮的界面不应让人跳过对事实的检查。
产品经理可以把这类能力拆成三段。模型负责理解问题、规划表达;代码或工具负责把图表和交互呈现出来;用户与专业人员负责判断结论能否用于真实决策。如果模型生成了一张“成本下降趋势图”,请先看横轴和纵轴来自什么数据。数据缺失时,交互做得越顺滑,错误越容易像事实一样被接受。
这也解释了为什么发布会演示与生产系统之间总有距离。演示可以挑信息完整、格式清楚的材料;真实用户会上传歪斜的截图、含糊的表格和互相矛盾的说明。你要把产品做给后者用,就必须设计识别失败、澄清问题、展示依据以及用户修改输入的方法。Gemini 3 所代表的方向值得关注,但任何新交互都要经过这段从样板材料到真实材料的检验。
三、同一天进入多个产品,是分发优势,也会带来一致性难题
Google 当时强调 Gemini 3 在发布当天进入多个产品。对用户而言,这意味着不用等待某个独立应用慢慢长大,就可能在熟悉的搜索、聊天或开发环境里碰到新能力。对公司而言,这种分发规模也能迅速收集不同场景里的使用反馈。产品经理看这件事,应该同时看到另一面:入口越多,能力承诺越容易被用户当成一样。
同样写着 Gemini 3,搜索里的权限、应用里的工具、开发者 API 的配额与输入方式未必相同。一个人在演示里看到视频理解,回到自己账号却找不到对应入口,未必是他没看懂,而是产品信息没有把版本、地区、订阅条件和上线节奏讲清楚。发布信息里若把“已经开放”“预览”“计划稍后开放”混成一句话,期待与现实的落差会伤害信任。
这种问题对做企业 AI 产品的团队尤其有参考价值。你想把同一个模型接进客服、知识库和经营分析三个页面时,不要只复用模型名称;要把每个入口实际能做什么写清楚。客服或许只允许它起草回复,知识库允许追问并引用文件,经营分析可以生成图表却不能直接修改报表。统一底层能力有利于维护,清楚的界面边界有利于使用。两者都要做。
四、跑分能告诉我们什么,不能告诉我们什么
官方发布提供了多组推理、多模态和编码基准,足以说明 Google 希望别人从哪些能力认识 Gemini 3。产品团队可以用它们筛选值得试的方向:若视觉理解有所进步,就拿复杂截图和真实录屏做测试;若编码表现突出,就安排含旧流程回归的开发任务。公开评测是候选名单的依据,不是内部采购与迁移的最终答案。
具体到业务,还要看错误代价。一段客服回复不够流畅,改一改就能用;把“商家尚未同意补送”写成“已同意”,就可能误导处理。图片识别漏掉一个装饰元素,与漏掉价格或规格也不是同一种失败。平均正确率好看,仍可能藏着团队无法接受的关键错误。因此每次测试都应事先标出硬门槛:哪些字段不能错,哪些动作不能自动做,证据不足时必须停止。
另一个常被忽略的维度是总时间。回答第一句话变快,未必意味着可用结果变快。模型生成一个交互页面只花几分钟,团队修业务规则花了一小时,真正节省的时间就有限。评估新一代模型,应把从任务开始到验收通过的时间拿出来,而非只盯着响应速度。模型更强可能有价值,也可能只是把瓶颈推到材料准备和人工审核处。只有量出完整流程,才能知道下一步该优化哪里。
五、搜索变得会回答之后,用户还需不需要选择来源
把模型放进搜索,比把它放进一个独立聊天框更容易接触用户,也更容易碰到用户的真实目的。有人只是想找官网入口,有人需要比较几篇资料,有人要一张能继续编辑的表。如果系统不加区别地给每个问题写一段长答案,反而可能拖慢简单任务。产品经理要先识别用户在这一刻是要“去哪里”、要“知道什么”,还是要“完成一件事”。三种目的对应不同的结果页,不该因为模型会写,就一律让它写。
对于需要事实的任务,来源的呈现尤其重要。搜索结果原本让人自行打开多个网页,虽然麻烦,至少能看见来自哪里;生成式摘要替用户做了筛选,便也承担起解释筛选依据的责任。用户要能点到原文,知道信息日期,发现不一致时有机会追查。若系统把一篇过期文章和一个新公告拼成顺滑的答案,阅读体验很好,判断却可能更差。模型能力越强,越需要把“不确定”设计得让人愿意看。
这不是要求把每个回复都变成一篇论文。可以在关键数字、时间和结论旁给出来源,在争议较大的问题里列出不同说法,并让用户选择继续核查。找餐厅营业时间与制定企业采购方案,所需证据密度也不同。好的产品不会机械地要求用户点开十个链接才肯回答,却也不会因为想要“一步完成”就把依据藏起来。
六、从模型发布到用户受益,中间还有运营和教育
发布当天进入搜索和应用,听起来意味着所有人立刻都能用。但大型产品的分批开放、套餐差异和地区限制,常让用户在不同账号上看到不同入口。产品经理发布新功能时,最该避免的是让营销页面、帮助文档和实际界面互相打架。清楚标注“谁现在能用、在哪个入口、还缺什么条件”,也许不如一句“全面升级”热闹,却能减少很多无效咨询。
功能上线后还要看用户是否知道该怎么用。一个新的推理模式藏在下拉菜单里,老用户可能从未发现;一个会生成图表的入口如果没有提示材料格式,用户只会反复上传不合适的截图。产品教育不必做成长教程,第一次使用时给一个与当前任务有关的例子,或在错误出现时告诉用户怎样补材料,往往更有效。看用户第一次尝试后是否完成任务,比看他是否点过“新功能”气泡更有意义。
而且产品不能只听会主动试新模型的人说话。愿意看发布会、写长提示词的用户,会告诉团队能力上限;普通用户能不能在熟悉入口里少走一步,决定了功能能否成为日常习惯。发布后一段时间,应该抽样观察几类用户:初次接触、偶尔使用、频繁使用者。他们在哪一步停下,是否知道结果能继续修改,错误发生时会不会放弃?这些问题和基准测试不在同一张表里,却同样决定一代模型能否变成一个好产品。
如果发现用户很少调用某项高级能力,不一定是模型价值低;也可能入口太深、例子太抽象、使用成本过高。反过来,点击率高也不等于真正解决问题,可能只是新功能的好奇心。把任务完成、返工和持续使用放在一起看,团队才有机会分清“发布热度”和“长期价值”。
七、方法论:拿一个真实任务看“体验到底变没变”
选一个用户经常做、结果容易核验的任务,例如把三份市场资料整理成面向老板的一页判断,或从一次用户操作录屏里找出提交失败的节点。先让团队按旧方法完成,记录准备材料、查找信息、制作结果与审核时间;再用新入口处理相同难度的任务,控制材料质量和可用工具。不要只比较最终答案,还要记录用户跳转了多少次、补充了几次背景、哪里需要人工重做。
接着把结果拆成三层:模型理解是否更好,产品入口是否更顺,组织流程是否因此缩短。若模型读懂了视频,但员工仍要手工把片段时间抄进工单,第二层和第三层还有事要做;若入口方便却频繁引用过期资料,第一层和资料管理仍不过关。分层之后,团队不会把所有得失都归因于同一个模型版本。
做对照时,最好事先写出一份不依赖某个模型输出的答案标准。比如分析用户录屏,先由人工标注误触出现的时间点、页面状态和能确认的证据,再让工具处理相同视频。评分时把“看到了事实”和“猜测了原因”分开:用户在按钮前停留五秒是观察,用户因为看不懂文案而犹豫是解释,需要更多证据。这个区分能避免模型描述得像一位资深研究员,却把自己的推测写成了用户行为事实。
若要把结果带进团队,别只展示最惊艳的一例。把三条顺利完成的任务与两条失败案例放在同一页,写出失败发生在哪一层。是模型看错了图,还是界面没让用户补充信息,还是组织流程仍要求把结果手工搬到另一个系统?前一种可能需要换模型或改输入,后两种则是产品与流程的问题。把问题定位准确,下一轮投入才不会全砸在模型上。
最后保留反例:没看懂的截图、算错的数据、动态页面中失效的按钮,以及用户找不到的功能入口。下一代模型发布时重新跑这些例子,比每次再挑一个令人惊艳的新演示更有价值。Gemini 3 的发布让人看见模型更快进入真实产品的可能;对产品经理来说,问题始终是用户是否真的少走了一步、少改了一轮、少承担了一次错误。
当一项能力已经进入搜索、聊天和开发工具,团队最不缺的就是展示机会,最缺的是持续追问:“这个入口替用户省了什么劳动?”如果答案只是“他不用再打开另一个 AI 网站”,也许已经有价值;如果答案还包括资料有出处、结果能继续修改、错误能被发现,那才更接近一次完整的产品进步。把这几项分别量出来,远比笼统地说“新一代模型更聪明”有用。
验证搜索里的新体验,可以让同一位用户分别完成两个目标:快速找到某项功能的官方入口,和比较三份相互矛盾的资料。前者不需要生成一篇长答案,后者需要来源与冲突提示。若产品把两者都处理成一张华丽的综合卡片,可能只是展示能力,并没有理解任务差异。入口设计应先服务用户目的,再展示模型能做多少。
信息来源与事实边界
- Google:Gemini 3 发布说明,2025 年 11 月 18 日。其中关于发布入口、Gemini 3 Pro 预览及 Deep Think 开放节奏的内容据官方页面核对。本文中的图表、资料整理与录屏任务均为产品评估示例,并非作者独立运行 Gemini 3 的实测。