Gemini 3.1 Pro

Typische Einsatzfälle

• Multimodale Analyse
• lange Dokumente und Video
• agentische Workflows

Leistung im Vergleich

Unabhängige Indizes (Artificial Analysis, 0–100), zwei kontaminationsarme Einzel-Benchmarks (Terminal-Bench, agentische Shell-Aufgaben; τ²-bench, Tool-Use-Verlässlichkeit über viele Läufe) und Human-Präferenz-Elo (LMArena). Die dunkle Markierung zeigt den Bestwert im Katalog – so wird der Abstand zur Spitze sichtbar. Die Preis-LeistungPreis-LeistungHier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.Mehr im Wissen → oben ist daraus abgeleitet: AA-Intelligenz je AA-Blended-Preis (3:1) – entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis. AAs token-basiertes „Cost to Run Index“ ist nicht öffentlich abrufbar.

• IntelligenzAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen →46
• CodingAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen →69
• AgenticAA-AgenticAgentic-Teilindex von Artificial Analysis (unabhängig, 0–100): misst, wie gut ein Modell mehrstufige, werkzeugnutzende Aufgaben eigenständig löst.Mehr im Wissen →59
• Terminal-BenchTerminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen →74
• Tool-Useτ²-benchBenchmark für die Verlässlichkeit beim Werkzeug-Einsatz: dieselbe Aufgabe wird viele Male wiederholt, gemessen wird, wie konstant das Modell die Tools korrekt bedient (0–100 %).Mehr im Wissen →96
• Human-PräferenzElo (LMArena)Human-Präferenz-Wertung aus der LMArena: Menschen vergleichen blind zwei Modellantworten, daraus entsteht – wie beim Schach – eine Elo-Zahl. Höher = häufiger bevorzugt. Misst Präferenz, nicht Korrektheit.Mehr im Wissen →1487

Benchmarks im Detail

Kennzahlen aus zitierten Messungen – unabhängige Quellen sind ausgewiesen, Anbieterangaben entsprechend markiert. Werte sind nicht über Skalen hinweg vergleichbar. Wie man Benchmark-Zahlen liest →

• Artificial Analysis Intelligence Index

  46

  (Preview, #10/152)

  unabhängigArtificial Analysis, abgerufen 2026-06-16

• Artificial Analysis Coding Index

  69

  (Preview)

  unabhängigArtificial Analysis Coding Index, abgerufen 2026-07-09

• Artificial Analysis Agentic Index

  59

  (Preview)

  unabhängigArtificial Analysis Agentic Index, abgerufen 2026-06-16

• SWE-bench Verified (Coding)

  80,6 %

  (gesättigt & kontaminationsanfällig)

  Anbieterangabellm-stats.com, 2026-06-16

• LMArena Text Arena (Elo)

  1487

  unabhängigLMArena (arena.ai), Stand 2026-06-10

• DeepSWE (Long-Horizon Coding)

  10 %

  unabhängigdeepswe.lol (kontaminationsfrei, mini-swe-agent), 2026-06-16

• Terminal-Bench (agentische Shell-Aufgaben)

  74 %

  unabhängigArtificial Analysis (API), abgerufen 2026-06-16

• τ²-bench (Tool-Use-Verlässlichkeit)

  96 %

  unabhängigArtificial Analysis (API), abgerufen 2026-06-16

Einordnung

• Beim Coding stärker, als der Allzweck-Wert vermuten lässt: AA Coding IndexAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen → 69 – oberes Mittelfeld, wenn auch unter GPT-5.5 (75)/Opus 4.8 (74), während es im allgemeinen Intelligence-Index mit 46 klar hinter beiden liegt.Beleg · Sekundärquelle
• Im unabhängigen AA-Intelligence-IndexAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen → hinter Opus 4.8 (56) und GPT-5.5 (55) – Rang 46 (#10/152).Beleg · Sekundärquelle
• Gegenüber den Index-Spitzenreitern günstiger ($2 / $12 vs. $5 / $25 bei Opus 4.8) und breiter multimodal (Bild, Video, Audio, PDF).

Aus der System-Card

Verdichtete Befunde aus der offiziellen System-CardSystem-CardDas offizielle Begleitdokument eines Anbieters zu einem Modell (auch „Model Card“): Fähigkeiten, Grenzen, Sicherheitsbewertung. Primärquelle – die Fähigkeitsangaben darin sind aber Eigenangaben, nicht unabhängig gemessen.Mehr im Wissen → des Anbieters (Primärquelle, Tier ATier (A/B/C)Verlässlichkeits-Stufe einer Quelle in der KI-Depesche: A = Primärquelle (z. B. offizielle Doku), B = solide Sekundärquelle, C = subjektiv/Einzelstimme. Steuert, wie stark eine Aussage gewichtet wird.Mehr im Wissen →). Fähigkeitswerte sind Anbieterangaben – nicht unabhängig nachgemessen. Card-Stand 2026-02-01.

Fähigkeiten

• Reasoning – Laut Card erreicht Gemini 3.1 Pro (Thinking High) auf GPQA Diamond 94,3 % und auf ARC-AGI-2 (Verified) 77,1 % – klar über Gemini 3 Pro (91,9 % bzw. 31,1 %).
• Coding – Laut Card liegt es bei SWE-bench VerifiedSWE-benchCoding-Benchmark, der Modelle echte GitHub-Issues in realen Repositories lösen lässt; gewertet wird, ob der erzeugte Patch die Tests besteht. Verbreitet, aber zunehmend durch Trainings-Kontamination belastet.Mehr im Wissen → bei 80,6 %, bei Terminal-Bench 2.0 bei 68,5 % und auf LiveCodeBench Pro bei einer Elo von 2887 (Gemini 3 Pro: 2439).
• Humanity’s Last Exam – Laut Card erreicht es auf Humanity’s Last Exam 44,4 % ohne Tools und 51,4 % mit Search + Code.
• Agentisch & Multimodal – Laut Card u. a. 99,3 % auf τ²-benchτ²-benchBenchmark für die Verlässlichkeit beim Werkzeug-Einsatz: dieselbe Aufgabe wird viele Male wiederholt, gemessen wird, wie konstant das Modell die Tools korrekt bedient (0–100 %).Mehr im Wissen → (Telecom), 85,9 % auf BrowseComp und 92,6 % auf MMMLU (multilingual).

Verhalten & Sicherheit

• FSF-Gesamtbild – Nach Googles Frontier Safety Framework bleibt das Modell unter den Alert-Schwellen für CBRN, Harmful Manipulation, Machine-Learning-R&D und Misalignment.
• Cyber – Wie schon Gemini 3 Pro erreicht es im Cyber-Bereich die Alert-Schwelle, bleibt laut Card aber unter dem für das Critical Capability Level nötigen Uplift.
• CBRN – Laut Card kann es im Deep-Think-Modus präzise, umsetzbare Informationen liefern, aber keine vollständigen Anleitungen für kritische Schritte – das CBRN-CCL (Uplift Level 1) wird nicht erreicht.
• Harmful Manipulation – Laut Card zeigte es eine erhöhte Überzeugungswirkung (max. Odds Ratio 3,6×, wie Gemini 3 Pro), erreichte die Alert-Schwelle aber nicht.
• Refusals & Ton – Laut Card bleiben unbegründete Verweigerungen niedrig (−0,08 % ggü. Gemini 3.0 Pro); Text- und Multilingual-Safety leicht besser, manuell geprüfte Rückgänge waren überwiegend False Positives.
• Red Teaming – Laut Card erfüllte das Modell im manuellen Red-Teaming externer Spezialteams die Child-Safety-Launch-Schwellen, mit insgesamt ähnlicher Sicherheitsperformance wie Gemini 3.0 Pro.

⚙ Die Benchmarks sind anbieter-selbstberichtete Automatik-Evals (kein menschliches Red-Teaming der Score-Tabelle), mit verbesserten Eval-Sets gerechnet und daher nicht 1:1 mit früheren Gemini-Cards vergleichbar; viele Detailangaben (Architektur, Training) verweist die Card auf die Gemini-3-Pro-Card.

Google DeepMind – Gemini 3.1 Pro Model Card (PDF)· Primärquelle, abgerufen 2026-06-16

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• gemischtSpitzen-Benchmarks (Rekord auf der privaten SimpleBench, ARC-AGI-2 vor Claude Opus 4.6), aber im Cursor-Praxistest „Seiten voller Geschwätz“ und ein Rückstand auf GDPval – starke Werte täuschen über benchmark-getriebene Abkürzungen hinweg.AI Explained (YouTube) · Community
• kritischRiesiger Benchmark-Sprung von 3 auf 3.1, in der Praxis aber „benchmark-maximiert“: bei anspruchsvollen Rückfragen eine „Wand aus Slop“, schwache Persönlichkeit und Promptbarkeit – wird nach kurzem Test als „bloß ein Gemini-Modell“ weggelegt.Cognitive Revolution (YouTube) · Community
• positivLaut dem Creator wohl der beste UI-Designer unter den LLMs: liefert aus Bild + Prompt in einem Durchgang aufwendige UIs (Skeuomorphismus, WebGL, Animationen) und widerlegt das Klischee, KI-Design sehe nach „Slop“ aus.1littlecoder (YouTube) · Community
• gemischtBeim Frontend-Design gern als Startpunkt genutzt – die größte Vielfalt (~15 Templates), aber ein Teil davon „Müll“; nur mit viel Hin und Her und vielen Rerolls steuerbar, folgt Anweisungen oft überpedantisch-wörtlich. Opus liefert weniger Vielfalt, dafür treffsicherer.Theo – t3.gg (YouTube) · Community