Gemini 3.5 Flash 基准反超 Pro：选模型不必默认挑贵的

核心洞察

这篇指南把 Gemini 家族的模型定位、基准分数和国内使用路径放在了一页里，省去了到处翻文档的麻烦。最值得留意的是基准表格里 Flash 和 Pro 的差距，很多任务上 Flash 已经追得很紧，选模型时不必默认往贵的挑。不过国内使用那部分写得比较克制，实际操作中会遇到的问题肯定比五条建议更琐碎。

核心结论

1. Google Gemini 是 Google DeepMind 推出的多模态 AI 模型家族，覆盖文本、图像、音频、视频、代码和长上下文任务，Gemini 3.5 Flash、3.1 Pro、3.1 Flash-Lite 和 2.5 Flash 均支持 1,048,576 输入 Token。

2. 基准评测显示 Flash 与 Pro 差距正在缩小：Gemini 3.5 Flash 在 Terminal-Bench 2.0 上得分 76.2%，高于 3.1 Pro 的 68.5%；在 SWE-Pro 上以 55.1% 略高于 3.1 Pro 的 54.2%，选模型时不必默认选贵的。

3. Gemini 3.1 Pro 在高难推理与长上下文任务上仍具优势：GPQA Diamond 得分 94.3%，MRCR 1M 百万上下文召回得分 84.9%，SWE-bench Verified 真实代码修复得分 80.6%。

4. 模型选择逻辑为：重推理选 Pro，日常高频选 Flash，批量低成本选 Flash-Lite；Gemini 3.1 Flash-Lite 输出速度达 363 token/s，高于 2.5 Flash 的 273 token/s。

5. 国内使用 Gemini 需关注入口选择、账号与网络环境、隐私保护及输出验证四个环节，官方入口通常需要 Google 账号、稳定网络和可用支付方式，企业调用建议走云服务与合规审批。

Google Gemini 家族模型与国内使用指南

面向中文用户整理 Google Gemini 模型定位、基准评测指标、应用场景与可用入口。重点说清楚国内怎么开始用、模型怎么选、效果怎么评估，以及 Gemini 官网和中文入口的稳妥使用方式。

更新日期 · 模型介绍 · 评测指标 · 国内指南

Gemini 概览

如果你正在搜 Gemini、Google Gemini 或者 Gemini 国内使用，这一页会把模型能力、评测分数、官网入口和中文体验路径集中整理，省得在多个页面之间来回跳。需要对比 OpenAI 产品的话，可以看 ChatGPT 国内使用指南。

Gemini 是什么

Google Gemini 是 Google DeepMind 推出的多模态 AI 模型家族，覆盖文本、图像、音频、视频、代码和长上下文任务。对中文用户来说，Gemini 的用处不只是聊天，资料整理、代码开发、办公自动化和复杂推理都能派上用场。

Gemini 国内使用关注点

国内用 Gemini 通常要同时考虑官网能不能访问、账号环境、模型版本、第三方镜像入口和数据隐私。本站把官网入口、中文体验入口和模型评测放在同一页，方便快速判断从哪开始。

Gemini 模型选择逻辑

选 Gemini 模型时，先判断任务要不要深度推理、长上下文、多模态理解或者低延迟响应。Gemini Pro 更适合复杂任务，Gemini Flash 适合高频使用，Gemini Flash-Lite 适合成本敏感的批量任务。

Gemini 家族模型怎么选

选 Google Gemini 模型不要只看版本号。生产落地时，应该按任务复杂度、延迟、成本、上下文长度和工具调用能力来挑。

Gemini 3.5 Flash

综合效率

面向真实任务的高速模型，适合长上下文、智能体循环、批量处理、代码迭代和多模态输入。

• 1,048,576 输入 Token
• 65,536 输出 Token
• 支持 Thinking / Function Calling / Code Execution

Gemini 3.1 Pro Preview

深度推理

偏向复杂推理、软件工程和多步工具调用，适合准确性要求更高的任务与工作流编排。

• 1,048,576 输入 Token
• 65,536 输出 Token
• 支持 Search Grounding / URL Context / Structured Outputs

Gemini 2.5 Flash

价格性能

稳定的高性价比选择，适合低延迟、大规模文本处理、常规多模态理解和企业内部工具。

• 多模态输入
• Thinking 能力
• 适合高并发生产任务

Gemini 3.1 Flash-Lite

轻量低价

面向高频分类、简单抽取、轻量问答和成本敏感型应用，在轻量模型中保持较强的推理与多模态能力。

• 1,048,576 输入 Token
• 64,000 输出 Token
• 适合高吞吐自动化流水线

不同 Gemini 模型基准分数

下面是 Google DeepMind 官方公开的 Gemini 基准评测分数整理。不同基准的评测集、计分方式和版本不完全一样，横向比较时先看同一行指标。

适合 Gemini 的典型应用场景

Gemini 的优势在多模态理解、长上下文、工具调用和复杂任务拆解。不管是个人使用还是企业评估 Google Gemini，都可以从高频、低风险任务逐层落地。

内容与营销

生成选题、广告文案、长文大纲、短视频脚本和多语言本地化版本。

学习与研究

整理论文、解释概念、生成复习卡片、比较观点并输出带结构的研究摘要。

办公自动化

分析表格、归纳会议纪要、生成周报、抽取合同要点和自动回复邮件。

软件开发

读代码、写测试、解释报错、生成接口文档、把截图转成前端原型。

跨境电商

商品标题优化、评论归因、客服知识库、竞品分析和多平台内容复用。

企业智能体

结合搜索、数据库、CRM、工单系统，完成多步任务和内部流程编排。

Gemini 国内最新使用指南

以下指南面向普通中文用户和团队试用场景。涉及账号、网络、支付、企业数据的部分，以所在地法律法规和公司合规要求为准。

01 明确入口

海外环境优先用 Gemini App、Google AI Studio、Vertex AI；国内用户可以选择镜像入口做日常体验。

02 选择模型

重推理选 Pro，日常高频选 Flash，批量低成本选 Flash-Lite，研究型任务关注 Deep Research。

03 准备账号与网络

官方入口通常需要 Google 账号、稳定网络和可用支付方式；企业调用建议走云服务与合规审批。

04 保护隐私

不要上传身份证、客户名单、源码密钥、合同原件等敏感信息；企业场景先做脱敏和权限隔离。

05 验证输出

重要结论用搜索、原文链接、数据库或人工复核交叉验证，尤其是医疗、法律、投资和政策类内容。

平台主题与推荐入口

你可以把这个页面当作 Gemini 主题导航页：先了解模型能力、基准评测和国内使用注意事项，再进入可实际体验的聊天入口。

Gemini 常见问题

这些问题覆盖国内使用、模型选择、基准评测和中文应用场景，适合初次了解 Google Gemini 的用户快速判断下一步。

Gemini 国内可以怎么使用？

普通用户可以先从 Gemini 官网、Google AI Studio 或第三方中文镜像入口了解 Gemini 能力。国内使用时，重点确认访问稳定性、账号安全、隐私政策和输出结果的可验证性。

Gemini Pro、Gemini Flash 和 Gemini Flash-Lite 有什么区别？

Gemini Pro 偏复杂推理和高难软件工程，Gemini Flash 兼顾速度和能力，Gemini Flash-Lite 更偏低成本、高吞吐和轻量自动化。实际选择要结合基准分数和自己的任务样本测试。

Gemini 基准评测分数应该怎么看？

基准评测适合看同一指标下不同模型的相对表现。比如 GPQA Diamond 偏科学推理，SWE-bench 偏真实代码修复，MRCR 1M 偏长上下文召回。不要只看单个分数决定模型。

Gemini 适合哪些中文应用场景？

Gemini 适合中文写作、翻译、资料总结、表格分析、学习辅导、代码开发、跨境电商内容和企业智能体。涉及医疗、法律、投资等高风险场景时，需要人工复核输出。

资料来源与免责声明

Gemini 模型信息参考 Google AI for Developers 和 Google DeepMind 官方文档。本站为中文整理页，非 Google 官方网站；第三方 Gemini 聊天入口由对应平台提供服务，使用前请自行确认账号安全、隐私政策和可用性。

常见问题（FAQ）

Gemini 3.5 Flash 和 3.1 Pro 到底该选哪个？

看任务类型：3.5 Flash 适合长上下文、智能体循环、批量处理和代码迭代，速度更快；3.1 Pro 偏复杂推理、软件工程和多步工具调用，准确性更高。很多任务上 Flash 已追得很紧，不必默认选贵的。

Gemini 国内使用要注意哪些问题？

国内用 Gemini 通常要同时考虑官网能否访问、账号环境、模型版本、第三方镜像入口和数据隐私。官方入口一般需要 Google 账号、稳定网络和可用支付方式，企业调用建议走云服务与合规审批。

Gemini 的基准评测分数应该怎么看？

基准评测适合看同一指标下不同模型的相对表现。GPQA Diamond 偏科学推理，SWE-bench 偏真实代码修复，MRCR 1M 偏长上下文召回。不同基准的评测集和计分方式不完全一样，不要只看单个分数决定模型。