三个月前 Gemini 3 Pro 发布的时候，Google 短暂地坐上了"最强模型"的王座——然后几周之内就被 OpenAI 和 Anthropic 的新模型挤了下去。
昨天，Google 带着 Gemini 3.1 Pro 回来了。这次带的数字相当炸裂：ARC-AGI-2 从 31.1% 直接翻到 77.1%。
但"分数翻倍"这件事本身就值得多想一层——是真的能力跃迁，还是针对 benchmark 的定向优化？我实际看完技术细节和第三方评测之后，有一些想法想聊聊。
在逐项展开之前，先给一个速览：
| 维度 | Gemini 3 Pro | Gemini 3.1 Pro | 变化 |
|---|---|---|---|
| ARC-AGI-2（抽象推理） | 31.1% | 77.1% | +148% |
| GPQA Diamond（科学知识） | — | 94.3% | SOTA |
| SWE-Bench Verified（代码代理） | — | 80.6% | SOTA |
| MCP Atlas（代理任务） | — | 69.2% | SOTA |
| BrowseComp（网页理解） | — | 85.9% | SOTA |
| LiveCodeBench Pro（竞技编程） | — | 2,887 Elo | SOTA |
| MMMU Pro（多模态） | 81.0% | 80.5% | -0.5% |
| 上下文窗口 | 1M tokens | 1M tokens | 不变 |
| 最大输出 | — | 64K tokens | — |
| 架构 | MoE | MoE（优化） | 改进 |
一个有意思的细节：MMMU Pro 多模态评测反而微降了 0.5%。这说明 3.1 Pro 的提升不是"全面开花"，而是高度聚焦于推理和代码能力。
ARC-AGI-2 是一个评估模型"面对全新逻辑模式"能力的 benchmark——不是背答案，而是要求模型现场推理从未见过的抽象图案规律。
Gemini 3.1 Pro 在这个测试上的 77.1% 意味着什么？横向对比一下：
| 模型 | ARC-AGI-2 得分 |
|---|---|
| Gemini 3.1 Pro | 77.1% |
| Claude Opus 4.6 | 68.8% |
| GPT-5.2 | 52.9% |
| Gemini 3 Deep Think | 45.1% |
| Gemini 3 Pro | 31.1% |
领先 Claude Opus 4.6 约 8 个百分点，领先 GPT-5.2 约 24 个百分点。从绝对数字看，这个差距是显著的。
但我想补充一个角度：ARC-AGI-2 的分数和"实际使用体验"之间的相关性还在被验证中。分数高当然好，但它能不能转化为你日常使用中感受到的"聪明"，这是两回事。
SWE-Bench Verified 是一个让模型修复真实 GitHub Issue 的 benchmark——不是写 hello world，而是要读懂一个大型代码库的上下文，然后生成正确的 patch。
80.6% 的得分放在一年前是不可想象的。这意味着在约 5 个真实 Bug 中，模型能独立修掉 4 个。
Google 还展示了 3.1 Pro 能够"独立配置公共遥测数据流来可视化国际空间站的轨道"——听起来像是 demo 效果，但结合 SWE-Bench 的分数来看，这个模型在复杂工程任务上的能力确实到了一个新台阶。
Gemini 3.1 Pro 继续使用 Mixture of Experts (MoE) 架构——这意味着模型虽然参数总量巨大，但每次推理只激活一部分专家网络。
这不是什么新技术，但 Google 显然在 3.1 中做了大量的专家路由优化。具体表现是：
MEDIUM 思考级别参数，让开发者在成本、性能、速度之间灵活取舍| 模型 | 输入价格（/M tokens） | 输出价格（/M tokens） |
|---|---|---|
| Gemini 3.1 Pro | $2 ~ $4 | $12 ~ $18 |
| Claude Opus 4.6 | $15 | $75 |
| GPT-5.2 | — | — |
这个价差非常大。Gemini 3.1 Pro 的输入成本大约是 Claude Opus 的 1/4 到 1/7。如果你的场景需要大量处理长文档、视频或代码库，这个价格优势会非常实际。
除了推理和代码，3.1 Pro 有几个实用层面的更新值得注意：
Gemini 3.1 Pro 目前以预览版形式发布，可通过以下渠道访问：
开发者渠道：
第三方集成：
消费者端：
一个值得注意的信号是：Google 选择在正式 GA 之前先发预览版，而不是像 Gemini 3 那样直接全量推送。这说明他们对 agentic workflow 等高级场景还在做进一步验证。
如果你已经在用 Gemini API，注意一个命名变更：
在 Interactions API v1beta 中，total_reasoning_tokens 字段被重命名为 total_thought_tokens，与 Gemini 3 系列引入的"thought signatures"概念保持一致。
改动不大，但升级时记得更新字段名，否则会拿到空值。
说几点我自己的判断。
值得兴奋的地方：
推理能力的跃升是实打实的。ARC-AGI-2 从 31.1% 到 77.1% 不是微调出来的——这个 benchmark 专门设计成"不可能通过记忆来作弊"的形式，所以分数的提升大概率反映了模型真实推理能力的增强。
结合 SWE-Bench 80.6% 和 MCP Atlas 69.2% 的代理任务分数来看，3.1 Pro 在"理解复杂上下文并执行多步骤任务"上确实到了一个新水平。
需要冷静的地方：
MMMU Pro 的微降提醒我们，这不是全方位的升级。多模态理解并没有同步提升，甚至略有退步。如果你的场景重度依赖图文理解，3.1 Pro 不一定比 3 Pro 好用。
另外，"预览版"意味着你可能会遇到稳定性或一致性的问题。在生产环境中，我建议先在非关键路径上试用。
对开发者来说：
Gemini 3.1 Pro 最有竞争力的点不是"最强"——而是在接近最强的同时，价格只有竞品的几分之一。
如果你在构建 AI Agent、代码辅助工具或需要处理大量文档的应用，这个性价比值得认真评估。1M tokens 的上下文窗口 + 64K 的输出上限 + 低廉的定价，这个组合在当前市场上很难找到对手。
AI 模型的迭代速度已经快到"每周都有新王"的程度。三个月前 Gemini 3 Pro 登顶然后被反超，现在 3.1 Pro 又回到了牌桌顶端——但这个位置能坐多久，没人知道。
对我们开发者来说，真正重要的不是追着 benchmark 跑，而是搞清楚：在你的具体场景里，哪个模型的能力-价格曲线最适合你。
Gemini 3.1 Pro 给出了一个很有说服力的答案——至少在今天。