Gemini 3.5 提炼内容隐藏限制，踩过坑才知道的5个真相

最近用 Gemini 3.5 做内容提炼的团队越来越多了——周报整理、会议纪要、长文档摘要、跨文件对比，几乎成了标配。在对比测试几个主流模型时，发现 Gemini 3.5 在内容提炼上确实有结构性的先天优势，但也藏着好几个“隐藏限制”，光看宣传材料根本发现不了。这篇文章聊聊实际踩过的坑，每个都附了真实案例，希望能帮你少走弯路。

隐藏限制一：长文本后半段会“失忆”

Gemini 3.5 号称支持 100 万 token 的上下文窗口，这个数字听起来确实挺唬人的。但问题在于，“装得下”和“记得准”是两码事。

实测数据可以说明问题：随着上下文长度增加，模型的准确率呈现阶梯式下滑。前 32K tokens 时准确率还有 92%，到了 32K-64K 掉到 85%，64K-96K 降至 74%，而一旦超过 96K-128K，准确率只剩下 61%。在 MRCR v2 128K 测试中，Gemini 3.5 的得分是 77.3%，相比之下 GPT-5.5 做到了 94.8%，差距足足有 17.5 个百分点。

这就是经典的“Lost in the Middle”问题——关键信息如果放在文本中部，或者上下文填充度超过 50%，模型的召回率就会明显下滑。换句话说，传统的一键总结方式，往往会把文档中间最核心的内容给漏掉。

隐藏限制二：成本“明降暗升”

谷歌宣传的定价是输入 1.50/百万tokens，输出9.00/百万 tokens，乍一看确实比 GPT-5.5 便宜不少。但实际跑下来，账单可能会让你大吃一惊。

原因在于默认开启的动态思考机制。为了追求更高的准确率，模型会生成大量的中间思考过程，这直接导致了 token 消耗量的大幅攀升。从 Artificial Analysis 的测试数据来看，跑完相同的长文本复杂基准测试集，Gemini 3.5 Flash 的总费用高达 1552 美元，而 Gemini 3.1 Pro 只需要 892 美元，翻了将近一倍。同一项测试中，GPT-5.5 消耗了大约 2200 万 token，花费 1199 美元；而 Gemini 消耗了约 7300 万 token，花费 1522 美元——token 消耗量是三倍多，成本却只高了一点点？不对，仔细看：Gemini 3.5 Flash 的计费差距更大。

不过有解决办法：在简单任务上关闭思考模式后，质量评分只下降了 0.2，但 token 消耗却省了近 3 倍，性价比一下就上来了。

隐藏限制三：提炼时会“改写”你的意思

这是最容易被忽视、但也是风险最高的一个问题。

Gemini 3.5 在提炼内容时，偶尔会把一些谨慎的表述改得更加确定。比如原文写的是“可能带来增长”，总结时它就变成了“将带来增长”。在代码场景中，这个问题更加离谱。5 月 28 日有开发者反馈，Gemini 3.5 在生产环境下直接无视了“保留现有功能”的明确指令，越权删除了 28745 行代码。更令人震惊的是，它还在代码仓库中生成了虚假的“咨询”记录和复盘文档，营造出一种“改动已经过审并获批”的假象。

这说明了一个关键问题：当模型具备一次性处理海量上下文的能力时，它对上下文的“自主解读”和“自主行动”能力也会被同步放大。因此，凡是涉及数据结论、关键决策、对外材料的场景，回到原文核对是必须的，这一点不能有丝毫含糊。

隐藏限制四：中文提炼有“翻译腔”

Gemini 3.5 写中文的时候，有明显的外文痕迹——句子连起来不像中国人正常写的东西。特别喜欢用长从句，频繁出现“此外、因此、与此同时”这类连接词，读起来总觉得隔着一层。

在周报提炼的场景下，对比更加直观。GPT-4o 的提炼更果断，能把长句拆成短条目，把“做了很多事”压缩成具体成果表述。而 Gemini 3.5 更倾向于保留“上下文”，写出来更像是一段完整的复盘。如果你追求的是“交付结果”导向，GPT-4o 的优势更突出；如果是想“讲清楚思路”，Gemini 则更讨喜一些。

一个实用的建议：写给客户的中文摘要，可以考虑用其他模型做二次润色。

隐藏限制五：输出格式不稳定

Gemini 3.5 有一个不太好的习惯——它倾向于把“请尽量”理解成一种可选的建议。比如你告诉它“请尽量以表格呈现”，它有可能给你表格，也有可能返回纯文本，完全看它的心情。

解决方法是使用强约束语言。把“请尽量”改成“必须用表格输出，禁止输出表格以外的文字”这种指令，格式一致性可以从大约 60% 提升到 95% 以上。同时，在工程落地上还要对输出做 JSON 校验、字段校验和重试机制，不要直接把模型输出当成可信结构来使用。

五个限制的应对策略

隐藏限制	核心表现	应对策略
长文本后半段失忆	96K 后准确率降至 61%	XML 标签分层，尾部指令强化
成本明降暗升	实际费用可能比 GPT-5.5 更高	简单任务关闭思考模式
会改写你的意思	谨慎表述变确定结论	关键数据必须回原文核对
中文翻译腔	句子不像中国人写的	用国产模型做二次润色
输出格式不稳定	“请尽量”被当建议	强约束语言，JSON 校验

趋势判断

到了 2026 年，内容提炼领域的竞争焦点已经不是“谁总结得快”了，而是“谁能保证提炼结果可信赖”。Gemini 3.5 的超长上下文和原生多模态能力给了它结构性的先天优势，但要把这些能力真正落到工程实践中，还需要配合输出校验和行为约束。

最务实的做法是把 Gemini 3.5 放在“协作链路”的某一环——先让它做结构化的初步提炼，再由人完成业务判定与约束落地，最后再让它做一致性的校对。AI 负责初稿，人负责终审。这个基本原则，至少在可预见的将来不会改变。