边界测试：15个高难度任务测出Gemini 3.5 Flash的真实能力上限

一、轻量模型的“阿喀琉斯之踵”

Gemini 3.5 Flash 给人的印象一直是“快且便宜”——284 token/s 的生成速率，不到 GPT-5.5 一半的单价。但生产环境不看跑分看极限。再快的模型，遇到高并发竞态、跨文件重构、复杂安全审计时会不会翻车？翻车之后能不能自己爬起来？

在 KULAAI（dl.kulaai.cn） 上接入 Gemini 3.5 Flash 之后，我刻意挑了 15 个在真实项目中踩过的硬核任务，把它逼到能力边界。不搞花架子，全看工程可用性。

二、15 个高难度任务拆解

任务类型	任务数	测试重点	整体表现
并发与竞态	3	分布式锁、消息顺序、库存扣减	基本可用，偶有遗漏
超大上下文	3	长依赖链追踪、巨型文件重构	检索准，推理浅
跨文件重构	3	接口变更同步、循环依赖解耦	定位准，但漏改调用方
复杂推理	2	多步推导、状态机设计	速度快但深度不足
安全渗透	2	SQL注入、权限绕过检测	检出率偏低
容错与恢复	2	依赖冲突修复、磁盘满处理	容易循环重试

整体可用率约 67%，在轻量模型里算不错，但和 GPT-5.5 的 85% 差距明显。

三、并发与竞态：能跑，但别让它独挑大梁

三个并发任务中，库存扣减和分布式锁基本正确，消息顺序性处理漏了一个时序边界——在极端并发下消息 A 可能在消息 B 之后到达但先被处理，导致状态机短暂不一致。GPT-5.5 在同样任务里主动加了序号校验和重排序逻辑，Gemini 3.5 Flash 没有这层防护。

结论： 简单并发场景可用，涉及金融或高可靠性要求的场景建议用 GPT-5.5 兜底。

四、超大上下文：定位准，但分析浅

让它处理一份 80 万 Token 的技术文档合集，检索能力意外地好——在文档中部问“第三章提到的退款回调时间是多少”，定位准确，答案正确。

但让它做跨文档的综合分析时短板暴露了。“对比三份文档里的缓存策略，给出最优方案”——它只把三份文档的缓存描述摘出来做了个汇总，没有深入对比优劣、没有结合业务场景做推荐。GPT-5.5 拿到同样的检索结果，能给出分场景的缓存策略矩阵。

结论： Gemini 3.5 Flash 在超长文本里定位信息的能力很强，但推理深度有限。它适合做信息检索的“前处理”，深度分析建议交给 GPT-5.5 或 Claude 4.8。

五、跨文件重构：能发现问题，但修不彻底

给它一个修改基础工具函数的任务，这个函数被 23 个文件引用。它正确定位了需要修改的位置，但只改了 18 个文件，漏了 5 个通过反射调用的隐藏依赖。

更关键的问题是：它改完没有主动跑全量测试验证。GPT-5.5 改完会自动执行回归测试，发现失败就回溯定位。Gemini 3.5 Flash 倾向于“改完就完了”，缺少验证习惯。

结论： 简单重构可交，涉及多依赖方的重构必须加人工检查点。

六、复杂推理：速度掩盖了深度

两个推理任务中，多步推导题让它分析订单状态机设计是否有死锁路径。它给出了结论——“存在死锁风险”，但推导过程跳了两步，从第二步直接跳到结论，中间的推导依据没展开。状态机设计题让它设计一个支持撤销和回退的工作流引擎，它给的方案缺少对并发分支冲突的处理逻辑。

GPT-5.5 的推理速度慢一些，但每一步都有依据，遇到需要假设的地方会显式标注。Gemini 3.5 Flash 的“快”在复杂推理场景下掩盖了推理链条的不完整。

结论： 快速原型验证可用，生产级推理任务交给 GPT-5.5。

七、安全渗透：明显的短板

两个安全任务中，SQL 注入检测漏了一个藏在存储过程里的动态 SQL 拼接——它只扫了应用层代码，没深入数据库层。权限绕过检测把正常的跨租户查询标记为风险，属于误报。

Claude 4.8 在安全任务上检出率 100% 零误报。Gemini 3.5 Flash 的安全审查能力不适合独立承担生产环境的安全审计。

结论： 安全审计找 Claude 4.8，Gemini 3.5 Flash 只做辅助扫描。

八、容错与恢复：最容易循环重试

让它修复一个依赖版本冲突，它尝试了三次，每次都是微调版本号重试，没有分析冲突根因。GPT-5.5 遇到同样问题会先检查依赖树、定位冲突源、再决定是升级还是降级。

让它处理磁盘满场景下的日志清理，文件被进程占用报错后，它反复尝试删除同一个文件，没有查占用进程、没有尝试停进程或换方案。

结论： 容错场景下它缺乏诊断工具链的使用习惯。出错了需要人工介入，别让它自己循环重试消耗配额。

九、能力边界全景图

任务类型	可用度	建议
并发与竞态	中等	简单场景可用，复杂场景加 GPT-5.5
超大上下文检索	高	定位信息很准，最适合做检索前处理
跨文件重构	中等	简单重构可交，多依赖方需人工检查
复杂推理	中等偏下	快速验证可用，生产级推理换 GPT-5.5
安全审计	低	别独立做安全审计，找 Claude 4.8
容错与恢复	低	出错后容易循环重试，需人工兜底

十、写在最后

15 个边界任务测下来，Gemini 3.5 Flash 的真实能力上限比跑分看起来要低一截。它的核心优势在速度和检索精度——超长文本里找信息、批量简单任务、轻量级快速验证，这些场景下它性价比极高。但在需要深度推理、安全审计、容错恢复的场景里，它和 GPT-5.5、Claude 4.8 的差距非常明显。

用它的正确姿势不是“委以重任”，是“把脏活累活交给它，把关的活留给自己”。知道它的边界在哪，比知道它跑分多高更重要。