谷歌新版Gemini马甲被扒! LMArena实测：唯一能看懂表的AI, GPT-5乱答

谷歌新版Gemini马甲被扒! LMArena实测：唯一能看懂表的AI, GPT-5乱答

AI圈的“谍战剧”永远不缺新剧情。就在GPT-5靠着“能写电影剧本”的噱头刷满热搜时，硅谷技术博主@AI_LEAKER突然甩出一张截图：谷歌藏在LMArena评测平台里的新版Gemini马甲被扒了！两个代号“lithiumflow”和“orionmist”的神秘模型，不仅精准报出钟表时间6:02:30，还把把GPT-5给出的“12:30”按在地上摩擦。更绝的是，这俩马甲被扒出的当天，距离谷歌官宣Gemini 3.0发布仅剩2天。

这波操作直接让网友看傻了：“谷歌这是考前偷偷模考，还考了个全班第一？”“GPT-5连表都看不懂，还好意思叫‘通用人工智能’？”一场围绕“看表”的AI能力大战，就此拉开序幕。

一、马甲线曝光现场：谷歌把LMArena当“秘密考场”

要理解这场闹剧，得先搞懂LMArena是个什么地方。这可不是普通的评测网站，而是由加州大学伯克利分校团队搞的“AI竞技场”，靠着420万次用户投票和匿名对战机制，成了全球最权威的AI实力排行榜。简单说，在这里能看到最真实的AI“裸考成绩”，没有厂商公关滤镜。

而谷歌早就把这里当成了“新机预热基地”。这次被扒出的两个马甲，藏得并不算深：“orionmist”这种“单词拼接”命名法，和谷歌之前给Gemini测试版起的“nimbusflare”如出一辙；更实锤的是，有开发者发现“lithiumflow”调用的API接口，藏着谷歌DeepMind的专属签名。

“这已经是谷歌的传统艺能了。”AI评测博主@模型手术刀吐槽，“上次Gemini 2.5上线前，就用‘celestiax’当马甲在这刷胜率，这次换汤不换药。”更有意思的是，想在LMArena碰到这俩马甲全靠运气——有网友刷了100次提示才撞上，有人连刷3天连影子都没见着，活像“开盲盒抽隐藏款”。

但凡是抽到“隐藏款”的用户，都忍不住晒出实测截图。其中最炸裂的，当属那张让GPT-5“社死”的钟表测试图。

二、名场面：Gemini精准读时，GPT-5把时针当分针

“看表”这事儿，说起来简单，却是AI界的“世纪难题”。别以为只是认数字，得同时搞定指针长短、角度计算、分钟间隔判断，相当于“视觉识别+空间推理+数学计算”的综合考。

在LMArena流出的实测中，测试者放了一张带秒针的石英钟图片，钟面显示6时02分30秒。面对这个“送分题”，不同AI的表现堪称“大型翻车现场”：

• Gemini 3.0 Pro（lithiumflow）：秒回“当前时间为6时02分30秒”，连秒针位置都没搞错，精准度拉满；
• GPT-5 Thinking：直接给出“12:30”的答案，把短时针当成了分针，长分针当成了时针，被网友调侃“眼神比我奶奶还不好”；
• Gemini 2.5 Pro：作为上一代旗舰，居然答成“大概是7点10分”，连基本的指针方向都没分清；
• Claude 4：稍微靠谱点，但只认出“6点左右”，具体分钟和秒数直接摆烂说“无法确定”。

更绝的是后续的“进阶测试”。测试者把钟表图片旋转90度，Gemini 3.0 Pro照样秒出正确答案，而GPT-5直接崩溃，回了句“图片显示的钟表存在角度异常，无法识别”。有开发者扒出GPT-5的测试日志，发现它处理钟表时只会“找最显眼的指针当分针”，根本没有“指针长短区分”的逻辑模块。

“这就像教小学生认表，只教了数字没教指针功能。”AI视觉专家@像素眼解释，“大部分AI处理钟表是靠‘图像匹配’，比如记住‘12点位置配长针就是12点’，但一遇到非标准角度或复杂表盘就歇菜。”

除了看表，Gemini的马甲还秀了把“传统艺能”——SVG绘图。在“画一只骑自行车的鹈鹕”这个AI圈经典测试里，lithiumflow画出的鹈鹕不仅姿态自然，自行车的链条、脚踏板等细节都清晰可见，反观GPT-5画的“四不像”，鹈鹕的嘴直接和车把粘在了一起，被笑称“刚从车祸现场爬出来”。

更惊喜的是作曲能力。有用户让lithiumflow模仿爵士乐风格写一段16小节旋律，它不仅保持了稳定的节奏，还加入了萨克斯的即兴变奏，被音乐博主@节拍器夸赞“是第一个能听的AI作曲”。而GPT-5写的旋律，前8小节还像模像样，后8小节直接跑偏成“噪音串烧”。

三、技术拆解：Gemini为啥能看懂表？GPT-5差在哪？

同样是百亿参数的顶级模型，为啥在“看表”上差了十万八千里？答案藏在两者的技术底层逻辑里。

首先得明确：看懂表的核心是“多模态融合能力”，不是单纯的图像识别。当人类看表时，大脑会自动把“指针位置”（视觉信号）转化为“时间数字”（文本信号），再通过“空间推理”计算出精确时间。而大部分AI的视觉和文本模块是“两张皮”，根本做不到这种无缝转换。

谷歌显然在Gemini 3.0上砸了血本。从内测代码泄露的信息看，它采用了全新的“视觉-语言统一编码器”，简单说就是让AI的“眼睛”和“脑子”用同一种“语言”沟通。比如识别钟表时，模型会先通过视觉模块提取“时针指向6-7之间、分针指向2-3之间、秒针指向6”的特征，再直接转化为数学坐标，通过内置算法算出精确时间，整个过程无需“翻译”。

反观GPT-5，依然在用“老套路”：先调用图像识别API把钟表转成“有两根指针的圆形物体，数字12、3、6、9清晰可见”的文本描述，再靠语言模型“猜时间”。这种“先看后想”的模式，一旦遇到指针位置模糊、表盘有遮挡等情况，立马就露怯。有开发者做过实验，给钟表加个简单的边框装饰，GPT-5识别正确率直接从50%跌到10%。

更关键的是“训练数据”的差异。业内消息称，谷歌为了攻克“看表难题”，专门收集了10万张不同风格的钟表图片，涵盖机械表、电子表、异形表等各种类型，还标注了精确到秒的时间数据。而OpenAI的训练数据里，钟表相关的标注数据不足1万张，且大多是“标准角度的数字表”，碰到指针表自然“水土不服”。

“这就像备考的学生，谷歌刷了真题集，OpenAI只看了教材例题。”AI训练师@数据炼丹师打了个比方，“GPT-5不是笨，是没练过这类题。”

不过Gemini也不是完美无缺。在测试中发现，它对“古董怀表”这类带有复杂雕花的钟表，识别速度会变慢，偶尔还会把12小时制和24小时制搞混。但比起GPT-5的“完全瞎蒙”，已经算是“降维打击”了。

四、马甲战术背后：谷歌的“反杀”野心

谷歌为啥非要用“马甲”偷偷测试？答案藏在惨烈的AI军备竞赛里。

今年以来，OpenAI可谓“火力全开”：先是3月甩出GPT-5，靠着“万亿参数”的噱头抢占头条；5月又发布新版Sora 2，在视频生成领域遥遥领先。而谷歌这边，上半年只更新了Veo 3.1视频模型，被网友调侃“跟在OpenAI屁股后面跑”。

这种被动局面，让谷歌急需一场“漂亮的翻身仗”。选择在LMArena用马甲测试，简直是一步“妙棋”：

一来能精准踩点用户痛点。LMArena的测试数据来自真实用户，能直接反映模型在实际场景中的表现。通过马甲收集“看表”“绘图”等高频需求的反馈，能在正式发布前快速调优，避免重蹈上次Gemini 1.0发布时“实测不如宣传”的覆辙。

二来能制造“惊喜感”。先让用户靠运气发现马甲的强大，再在发布会揭晓“这就是Gemini 3.0”，既能引发自发传播，又能营造“实力远超预期”的印象。这种“先抑后扬”的营销套路，比直接发新闻稿管用10倍。

三来能打OpenAI一个措手不及。GPT-5刚靠“写剧本”“编代码”建立起“全能学霸”形象，谷歌就用“看表”这个小切口撕开缺口，暗示“你家模型连基础功能都没做好”。这种精准打击，能有效削弱GPT-5的光环。

“谷歌这是憋坏了想搞偷袭。”科技分析师@硅谷见闻指出，“Gemini 3.0的发布时间定在10月22日，正好是GPT-5发布半年的节点，明显是想抢回话语权。”

而从马甲的实测表现看，谷歌确实有“反杀”的底气。除了看表、绘图、作曲，有拿到内测资格的开发者爆料，Gemini 3.0 Pro还能在1分钟内用SVG做出完整的系统UI动画，甚至能模拟MacOS的交互逻辑。这些功能，连GPT-5都还没实现。

五、AI评测乱象：马甲、刷榜与“鹈鹕魔咒”

Gemini的马甲事件，也揭开了AI圈评测的“遮羞布”——所谓的“权威榜单”，早已成了厂商的“秀场”。

LMArena虽然号称“匿名公平”，但实则漏洞百出。根据平台规则，厂商可以提交多个内部版本测试，只把表现最好的版本公开上榜。这就给了“刷榜”可乘之机：有的厂商专门针对LMArena的高频测试题做微调，比如“骑自行车的鹈鹕”这个梗，几乎所有顶级模型都被“特训”过，导致实测效果远超实际使用体验。

更夸张的是“马甲内卷”。不止谷歌，Anthropic在Claude 4发布前，也曾用“aetherwisp”当马甲在LMArena刷数据；国内的字节跳动，去年更是用3个不同马甲测试“豆包Pro”，被网友戏称“AI界的谍战片”。

“现在看LMArena排名，得自带‘滤镜’。”资深用户@评测老炮分享经验，“先看投票数量，少于1万次的基本是刷的；再看‘冷门任务’表现，比如处理生僻语言、识别小众物品，这些才是模型的真实水平。”

更讽刺的是，随着模型越来越强，评测方式却还停留在“石器时代”。从2023年火到现在，大家测AI还是老几样：问常识题、画鹈鹕、写代码。就连“看表”这种基础功能，都是直到Gemini马甲曝光后，才被当成“新考点”。

“我们一直在用旧尺子量新衣服。”AI研究者@神经漫游者在博客中吐槽，“传统的MMLU、BIG-bench题库早就被模型‘背下来了’，LMArena的用户投票又容易受主观偏好影响。现在急需新的评测体系，比如测试AI的‘自主学习能力’‘环境适应能力’，而不是看它会不会画鹈鹕。”

这种评测滞后，已经影响到了行业发展。有创业公司透露，为了在LMArena刷排名，他们把70%的研发精力放在了“应对测试”上，反而忽略了实际场景的优化。“毕竟投资人只看榜单排名，没人关心你的模型在工厂里好不好用。”

六、结语：看表不是终点，AI该考“真本事”了

Gemini马甲的“看表封神”，与其说是技术的胜利，不如说是行业的“警钟”。当顶级AI还在为“认对时间”而欢呼时，我们不得不问：这就是我们想要的通用人工智能吗？

不可否认，谷歌的技术突破值得肯定。“视觉-语言统一编码”的思路，为解决多模态融合难题提供了新方向，说不定未来的AI不仅能看懂表，还能精准识别心电图、工程图纸等复杂专业图像。但如果厂商把精力都放在“攻克评测考点”上，而不是解决医疗、教育、工业等领域的实际问题，AI的发展只会陷入“内卷陷阱”。

OpenAI或许已经意识到了问题。有消息称，GPT-5的下一次大更新，将重点优化“多模态实时推理”能力，不仅能看懂表，还能实时分析视频中的动作、表情。而谷歌也计划在Gemini 3.0发布后，开放“行业定制接口”，让模型能快速适配医疗影像、汽车导航等专业场景。

毕竟，用户真正需要的不是“能看懂表的AI”，而是能在医院帮医生看CT片、在工厂帮工人查设备故障、在家庭帮老人做健康监测的AI。这些“真本事”，靠马甲在LMArena刷数据刷不出来，得靠扎扎实实地打磨技术、落地场景。

或许再过一年，当我们回头看这场“看表大战”，会觉得像个有趣的注脚。就像当年我们惊叹于AI能认出猫和狗，现在看来不过是基础操作。但正是这些看似微小的突破，一步步推动着AI向真正的智能靠近。

只是希望下次AI圈的“大新闻”，不再是“马甲被扒”或“某模型考了第一”，而是“某AI成功帮医生救了人”“某AI让工厂效率提升了50%”。到那时，不用评测榜单，我们也能知道：AI真的变强了。