Appwrite 的公开 Arena 结果显示 Gemini 3.5 Flash 在 MCP/工具、多模态和速度上有优势，而加载 Appwrite Skill 后 freeform 得分从 77.5% 升到 91.9%，说明文档上下文对其当前知识覆盖有显著影响。
适合的任务：SDK/API Agent、MCP 工具调用、文档驱动的后端开发、吞吐优先的多模态和短迭代工作流。
不适合的任务：高难学术推理、没有领域文档的最新 API 猜测，或把 Appwrite 专项结果外推到所有软件工程任务。
适用的模型版本：Gemini 3.5 Flash；文章对比 Gemini 3 Flash、Gemini 3.1 Pro、Claude Sonnet 4.6、Claude Opus 4.7、GPT-5.5 等。
适用的客户端、Agent 或 API：Gemini API、Appwrite API/Docs MCP、Appwrite Skills；文章建议 Cursor、Google AI Studio、Google Antigravity 或直接 API。
推荐的推理档位和参数：文章说明主要 Google 数字使用 high thinking；Arena 运行参数和 temperature 未在文章中完整列出，不能据此固定。
基准：Appwrite Arena，文章描述为开源、覆盖 191 个问题、9 个 Appwrite 服务类别；每个模型分别在“加载 Skill”和“不加载 Skill”两种条件下运行。
任务类型：Appwrite Foundation、Auth、Databases、Functions、Storage、Sites、Messaging、Realtime、CLI；含选择题和 freeform。
对照模型：GPT 5.5、Claude Opus 4.7、Qwen 3.6 Plus、Kimi K2.6、DeepSeek V4 Flash、Gemini 3.1 Pro 等。
评测维度：overall、MCQ、freeform、成本和耗时；文章链接了 Arena GitHub 和公开 leaderboard。
“With Skills”把相关 Appwrite 文档放进上下文；“Without Skills”只使用模型内置知识。
文章报告 2026-05-20 运行；未公开完整问题集快照、OpenRouter 请求体、随机种子、temperature、每题 token 和评委提示。
文章另引用 Google model card 和 Artificial Analysis，需与 Appwrite Arena 结果分开理解。
| 基准 | Gemini 3.5 Flash | 主要结果 |
|---|---|---|
| Terminal-Bench 2.1（Terminus-2） | 76.2% | GPT-5.5 78.2%，Gemini 3.1 Pro 70.3%，Opus 4.7 66.1% |
| SWE-Bench Pro | 55.1% | Opus 4.7 64.3%，GPT-5.5 58.6%，Gemini 3.1 Pro 54.2% |
| MCP Atlas | 83.6% | GPT-5.5 75.3%，Opus 4.7 79.1%，Gemini 3.1 Pro 78.2% |
| Toolathlon | 56.5% | GPT-5.5 55.6% |
| OSWorld-Verified | 78.4% | GPT-5.5 78.7%，Opus 4.7 78.0%，Gemini 3.1 Pro 76.2% |
| Finance Agent v2 | 57.9% | GPT-5.5 51.8%，Opus 4.7 51.5%，Gemini 3.1 Pro 43.0% |
| CharXiv Reasoning | 84.2% | GPT-5.5 84.1%，Gemini 3.1 Pro 83.3% |
| MMMU-Pro | 83.6% | GPT-5.5 81.2%，Gemini 3.1 Pro 80.5% |
| Humanity’s Last Exam | 40.2% | Opus 4.7 46.9%，GPT-5.5 41.4%，Gemini 3.1 Pro 44.4% |
| 条件 | Overall | MCQ | Freeform | 成本 | 时长 |
|---|---|---|---|---|---|
| With Skills | 96.20 | 96.90 | 91.90 | $3.78 | 20 分钟 |
| Without Skills | 90.70 | 92.90 | 77.50 | $1.14 | 13 分钟 |
文章据此计算：Skill 使 freeform 提升 14.4 个百分点；with-Skills 条件下 Gemini 3.5 Flash 比同表多数高分模型更快，但 GPT-5.5、Claude Opus 4.7 的整体分数仍更高。
Intelligence Index：55.3，147 个模型中排名 #7。
速度：278 output tokens/s，同价位排名 #2。
完整指数输出量：73M tokens；整套评估成本 $1,552。
文章报告 hallucination measure 为 61%，并强调 token 量和价格共同决定重推理任务成本。
Gemini 3.5 Flash 适合速度、工具和上下文文档比纯内置知识更重要的 Agent。Appwrite 专项实验最有复用价值的结论不是绝对排名，而是“把当前 API 文档作为 Skill 提供给模型”会显著改善 freeform 工具任务；对高难推理和正确性优先编码，应保留更强模型作为对照或升级路径。
Appwrite Arena 是领域专项基准；结果不能代表一般代码、数学或开放域能力。
文章虽然给出问题数量、Skill 条件、成本和时长，但未公开完整请求配置、评分提示、随机种子和原始逐题结果。
Appwrite GitHub 仓库当前 README 显示的是另一版 70 题（57 选择题 + 13 freeform、7 类别）且模型列表不含 Gemini 3.5 Flash；这与文章所称 191 题/9 类别存在版本差异，复现时必须锁定文章对应的 benchmark commit 或数据快照。
Artificial Analysis 与 Appwrite Arena 的分数、价格和任务定义不同，不能合并计算成单一能力分数。
固定 Appwrite Arena 的题集版本、Skills 文件、模型 ID、OpenRouter 路由、thinking level 和评分器。
为 Gemini 3.5 Flash 各运行 with-Skills/without-Skills 两组，保存每题响应、MCQ 判分、freeform 评委输出、token、成本和时长。
至少重复 3–5 次，报告均值、方差和失败类别；单次 overall 不足以判断生产稳定性。
额外在目标项目自己的 SDK/MCP 任务集上做 A/B，比较文档注入的增益是否仍存在。
文章将 Gemini 3.5 Flash 概括为“speed is the column where it dominates”，同时承认速度不等于 coding intelligence。最可复用的工程观察是：该模型在 Appwrite freeform 任务上对 Skills 文档依赖明显。
Gemini 3.5 Flash
