大家好，我是刘聪NLP。
谷歌，不，是谷哥！
昨天大家应该都被Gemini3.0刷屏了吧，强，确实很强！
网上有很多有意思的例子，可以看WaytoAGI发起的网友众测：
https://waytoagi.feishu.cn/wiki/FtI5wHbPpifvHHkcCzRcwvI0nbg
这篇主要是测试了Gemini3.0的视觉理解能力，看看哪些方面还存在不足。
看过我过往的测试，应该有印象，我一般从十多个角度进行测试，
测完之后，我的整体感觉，
- 无法准确理解时钟问题
- 世界知识的位置识别还有欠缺，这个应该是跟拍照角度和训练数据有关，昨天的R1V4通过联网检索对比，是可以回答正确，“上海金茂大厦”
- 图像空间逻辑还有欠缺；
- 目标对比上还有不足，但较2.5有很大提高
- 网页复刻是神级别的存在了，网上有很多case了
- OCR识别、表格识别、理解计算、图片排序、空间变换都更精进了一层；
- 看图猜成语也无敌，相较于国内的视觉理解模型提高大一层。
但目前来看，是多模态理解最强无疑了~ 下面是实测截图如下。
时钟识别
正向时钟，
翻转时钟，
世界知识-定位
真实位置为“上海金茂大厦”
当然，其他一些位置是可以识别对的，我是故意找了一个有名，但其实网上图片信息占比可能少一些的。
空间逻辑
对空间逻辑推理进行测试，答案为A。
目标对比
人可以准确找到，是真正的按照行列找到呦！ 同时在思维链中，也没有问题，不是蒙的，是真的理解了。
当然，不开心的小恐龙是世界难题，哈哈哈哈，至今还没有可以对的。
找茬的话简单的没有问题，但是究极15处差异，细节很细的时候，确实回答不对。
感兴趣的可以去找一下，看看能不能找到。
其他很好的场景，简单放几个测试例子。
手写体识别
表格识别
猜成语，国内模型都不行~
最后，
谷歌依旧是你谷哥呀！
我觉得目前应该是是视觉理解的Top1了，我很多的Case，
已经基本上难不倒了。
还有，Nona Banana2也要出了，
卷起来，持续测试ing~
PS：都看到这里，来个点赞 、在看 、关注 吧。 您的支持是我坚持的最大动力！
欢迎多多关注公众号「刘聪NLP」，加入交流群，交个朋友吧，一起学习，一起进步！