Gemini 3.1 Pro
Google· 2026-02-19 上线
综合第 32 名
50.2
编程
47.5第 39 名
科研
51.5第 38 名
专业办公
45.4第 32 名
知识问答
61.8第 4 名
- 评测覆盖
- 20 / 25 项 · 80%
- 缓存输入
- ¥1.35
- 输入
- ¥13.45
- 输出
- ¥80.70
价格：人民币 / 百万 Token。
编程
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| SWE-bench Verified | 75.6% | 50.7 | 默认 | 22 |
| Terminal-Bench | 80.2% | 63.5 | 默认 | 29 |
| DeepSWE | 11.7% | 20.9 | 默认 | 26 |
| WebDev Arena | 1,447 | 47.9 | 默认 | 96 |
| ALE-Bench | 1,161 | 50.8 | 默认 | 88 |
| WeirdML | 72.1% | 56.8 | 默认 | 60 |
| GSO | 22.6% | 41.7 | 默认 | 16 |
科研
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| FrontierMath（1–3 级） | 59.6% | 49.3 | 默认 | 66 |
| FrontierMath（4 级） | 26.8% | 44.8 | 默认 | 57 |
| CritPt | 17.7% | 55.3 | 默认 | 101 |
| ProofBench | 26.0% | 44.9 | 默认 | 77 |
| OTIS Mock AIME | 95.6% | 53.8 | 默认 | 87 |
| SciCode | 58.7% | 60.9 | 默认 | 97 |
专业办公
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| APEX-Agents | 35.3% | 39.2 | 默认 | 49 |
| Vending-Bench 2 | $3,774 | 45.0 | 默认 | 55 |
| DeepResearch Bench | 47.8% | 51.9 | high | 14 |
知识问答
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| SimpleQA Verified | 73.5% | 65.9 | high | 65 |
| GPQA Diamond | 94.4% | 56.0 | high | 84 |
| Humanity's Last Exam | 46.4% | 59.6 | 默认 | 17 |
| SimpleBench | 79.6% | 65.5 | 默认 | 39 |
仅展示（不计分）
这些评测测的能力不在四个领域里，或者我们还没把握归到哪个领域。
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| ARC-AGI-2 | 77.1% | 不计分 | 默认 | 52 |
| ARC-AGI | 98.0% | 不计分 | 默认 | 52 |
| 国际象棋谜题 | 55.0% | 不计分 | 默认 | 88 |
| METR 任务时长 | 77.0% | 不计分 | 默认 | 10 |
原始成绩取这个模型各个推理档位（high、low）和各种评测配置里最好的一次；标准分 = 50 + 10 × （成绩 − 平均）÷ 标准差，在近 12 个月上线的模型里比较。「不计分」是这项评测有成绩的模型太少或不在计分范围。 数据 10月16日 06:10 更新。