تنها چند هفته پیش، گوگل مدل Gemini 3 خود را معرفی کرد و ادعا کرد که در چندین معیار سنجش هوش مصنوعی، جایگاه پیشرو را به دست آورده است. اما چالش اصلی با معیارهای ارائه شده توسط شرکت‌ها این است که دقیقاً توسط خود شرکت‌ها ارائه می‌شوند. با این حال، ارزیابی جدید و بی‌طرفانه از سوی Prolific، مدل Gemini 3 را در صدر جدول رده‌بندی قرار داده است. این ارزیابی بر اساس معیارهای آکادمیک نیست، بلکه بر اساس ویژگی‌های واقعی است که کاربران و سازمان‌ها به آن اهمیت می‌دهند.

Prolific توسط محققان دانشگاه آکسفورد تأسیس شده و داده‌های انسانی با کیفیت و قابل اعتماد را برای تقویت تحقیقات دقیق و توسعه اخلاقی هوش مصنوعی ارائه می‌دهد. معیار "HUMAINE" این شرکت با استفاده از نمونه‌برداری نماینده انسانی و آزمایش کور، مدل‌های هوش مصنوعی را در سناریوهای مختلف کاربر مقایسه می‌کند و نه تنها عملکرد فنی، بلکه اعتماد کاربر، سازگاری و سبک ارتباطی را نیز اندازه‌گیری می‌کند.

آخرین آزمایش HUMAINE، ۲۶۰۰۰ کاربر را در یک آزمایش کور از مدل‌ها ارزیابی کرد. در این ارزیابی، امتیاز اعتماد مدل Gemini 3 Pro از ۱۶٪ به ۶۹٪ جهش کرد که بالاترین امتیاز ثبت شده توسط Prolific تا به امروز است. Gemini 3 اکنون در ۶۹٪ موارد در میان گروه‌های جمعیتی مختلف، در رتبه اول اعتماد، اخلاق و ایمنی قرار دارد، در حالی که مدل قبلی، Gemini 2.5 Pro، تنها در ۱۶٪ موارد در این جایگاه قرار داشت.

به طور کلی، Gemini 3 در سه از چهار دسته ارزیابی، یعنی عملکرد و استدلال، تعامل و سازگاری و اعتماد و ایمنی، رتبه اول را به دست آورد و تنها در یک دسته، رتبه پایین‌تری کسب کرد.