近日，针对 Google Gemini 模型在不同接入端口的“降智”现象，技术社区 Linux.do 汇总了大量用户实测数据，引发了广泛关注。核心发现基于对 Gemini 3.1 Pro 模型的对比测试，涵盖了 Google AI Studio、Gemini CLI、Google Antigravity 以及官方网页版与移动 App。测试结果显示，各入口的智能表现存在显著差异：Google AI Studio 凭借最佳的响应质量位居榜首，其次是 Gemini CLI 命令行工具；而备受期待的 Google Antigravity 项目以及大众常用的网页版和 App 则排名垫底。具体而言，Google Antigravity 被多次曝出存在严重的逻辑缺陷，频繁陷入“无限思考循环”，导致任务无法完成，严重影响用户体验。这一现象表明，尽管底层模型一致，但不同接口背后的系统提示词、资源分配策略及推理限制存在巨大差异，直接导致了模型能力的“降级”。
事件分析
此次事件揭示了大型语言模型在实际应用中的“木桶效应”，即最终用户体验受限于最薄弱的工程环节，而非仅仅是模型参数本身。Gemini 在不同端口的性能割裂，暴露了 Google 在统一模型输出策略上的挑战。API 通道（如 AI Studio）通常保留较高的推理自由度，而消费级通道（如 Web/App）则可能被施加了更严格的安全过滤层或采样温度参数，导致非开发者端口的响应能力被人为削弱。此外，Antigravity 陷入死循环的问题，直指当前复杂推理架构的脆弱性，这通常发生在模型自我反思机制出现闭环判断错误，或是外部知识检索（RAG）步骤未能有效终止时。这预示着未来模型竞争的焦点将从单纯提升参数规模，转向优化推理链路控制及提升长上下文处理的稳定性。
💡 核心观点：“同模型不同命”：接入端的系统指令与路由策略，往往比模型参数本身更能决定最终的上限。
原文链接：Linux.do
Codex CLI 深度
AI 模型横评
AI Agent 框架
Claude Code 订阅生存指南