延迟降到阈值下，产品形态就会变。
关键指标
| 指标 | Gemini 2.5 | Gemini 3 Pro | 变化 |
|---|---|---|---|
| 图文 P99 延迟 | 2.4s | 0.8s | ↓ 67% |
| 音频输入 | 转写 | 原生流 | 链路简化 |
| 上下文 | 1M | 2M | 翻倍 |
| 价格 $/M in | $2.5 | $2.5 | 不变 |
口诀延迟砍掉三分之二，价格不动。
产品形态影响
实时视觉助手
- 典型表现
- 2025 年因延迟被否
- 判断标准
- P99 < 1s 可接受
- 解决方向
- Gemini 3 Pro 直接驱动摄像头帧 + 语音交互
语音翻译
- 典型表现
- STT → LLM → TTS 三段链路
- 判断标准
- 端到端延迟 < 1.5s
- 解决方向
- 原生音频流省掉 STT/TTS，整体链路减半
视频内容审核
- 典型表现
- 抽帧 + 图像分类
- 判断标准
- 成本下降且准确率上升
- 解决方向
- 直接吃视频流，上下文里整段判断
选型对照
和 Sonnet 4.5 / GPT-5.1 相比，Gemini 3 Pro 的差异化在多模态实时性。如果你的应用里音频、视频、图像是主输入，它就是默认选；如果是长文本推理，Anthropic 和 OpenAI 仍占优。
✓推荐做法
- 多模态实时场景首选 Gemini 3 Pro 做可行性验证
- 纯文本长文档场景继续用 Sonnet 4.5
- 需要 agent 可视化推理链的继续用 GPT-5.1
✗不推荐
- 全栈切到 Gemini——三家分场景组合更划算
- 忽略音频原生输入的产品设计机会
⚠常见误区
- 2M 上下文的真实有效注意力比 1M 略弱，长文档任务要实测
判断标准：主输入是音频/视频 → Gemini；否则按成本和延迟曲线选。