尽管 Gemini 3 Flash 发布后获得了广泛好评，但 AA-Omniscience 基准的最新数据却为这股热情浇了一盆冷水：该模型的幻觉率高达 91%，在所有参测模型中几乎垫底。所谓幻觉率，简而言之，就是模型在应该回答“我不知道”的时候，强行编造出一个答案的比例——这恰恰是大型语言模型最致命的缺陷之一。
在覆盖范围更广泛的 LisanBench 测试中，Gemini 3 Flash 仅位列第 12 名（Glicko-2 Elo 排名第 13）。该基准专门评估模型的前瞻性规划、词汇深度、约束遵循、注意力以及长上下文持久力——听上去颇为复杂，本质上却是一个词汇链游戏：模型需要借助莱文斯坦距离为 1 的变换规则，连续生成有效的单词链条。测试者 Lisan al Gaib 采用了“reasoning effort high”设置，整项测试成本仅略高于 16 美元。结果表明，Gemini 3 Flash 的表现与 DeepSeek-V3.2 Thinking、Kimi-K2-Thinking 等开源模型，以及 GPT-5、Sonnet-4 等业界前沿模型大致持平。
然而更值得关注的指标是平均有效性比率，它直接反映了模型在词汇链中生成错误链接或错误单词的概率。Gemini 3 Flash 在此项仅获得 87%，数据颇为刺目，也正好印证了此前高幻觉率的问题——并非偶然，而是系统性的短板。
从推理效率图来看，Gemini 3 Flash 在平均输出 Token 数量与平均最长有效链长度之间的平衡并不理想。与开源替代品相比，性价比差距一目了然：Gemini 3 Flash 输入定价 0.5 美元、输出定价 3.00 美元，而 DeepSeek-V3.2 Thinking 仅需输入 0.28 美元、输出 0.42 美元——后者不仅得分更高、价格更实惠，而且使用的 Token 数更少。如果切换至低资源设置，Gemini 3 Flash 的低配版表现更为惨淡：得分大约只有高配版的一半，Token 用量同样减半，有效性比率更是“极为糟糕”。
当前 AI 模型竞争白热化，Gemini 3 Flash 的表现再次引发了一个老生常谈的问题：模型能力之间的平衡究竟该如何取舍？当年 DeepSeek R1 推出时也曾面临类似的争议。高幻觉率绝非小事——虽然有人可能将其视为“创造力”的体现，但在实际落地场景中，不准确性可能直接导致严重后果。归根结底，稳定性和准确性才是衡量模型质量的核心标尺。
