快速摘要
2026年2月19日，谷歌 DeepMind 正式发布 Gemini 3.1 Pro 预览版，这是 Gemini 3 系列的重大迭代升级。该模型在公认极具挑战性的 ARC-AGI-2 抽象推理测试中拿下 77.1% 的验证得分，相比上一代 Gemini 3 Pro 的 31.1% 直接翻倍有余，同时在编程、长上下文处理和智能体（Agent）任务等多个维度全面刷新行业纪录。 模型支持最高 100 万 Token 的超长上下文输入、64K Token 输出，并且保持原有 API 定价不变。对于开发者而言，可通过 Google AI Studio、Vertex AI、Gemini CLI 等多个渠道接入使用。往下看，莫潇羽@无忆研习社将为你详细拆解这次升级背后的技术原理、跑分数据对比、实际应用场景以及开发者接入方法。
一、Gemini 3.1 Pro 的发布背景——为什么说这次升级意义重大
2025年下半年以来，全球大模型领域的竞争格局持续白热化。各家实验室接连发布旗舰级模型，你方唱罢我登场的节奏让整个行业始终处于高速迭代之中。
2025年11月，谷歌 DeepMind 发布了 Gemini 3 Pro，凭借出色的多模态推理能力和编程表现一度引起极大关注。然而在此后的几个月里，竞争对手陆续推出了自己的旗舰产品，在部分关键测试指标上逐步反超。这就给谷歌带来了明确的压力——需要在核心推理能力上完成一次显著的能力跃升。
于是在2026年2月19日深夜，谷歌 DeepMind 发布了 Gemini 3.1 Pro 预览版。从版本号来看，这是一个"小数点级"的更新，但从实际效果来看，它在推理能力上的飞跃幅度远远超出了"点版本升级"的预期。谷歌官方博客的用词是：这是"升级后的核心智能"（upgraded core intelligence），它不仅是 Gemini 3.1 Pro 本身的能力提升，也是此前 Gemini 3 Deep Think 取得突破性成果的基础底座。
莫潇羽在整理资料的过程中发现，这次升级的研发团队中有一位值得关注的华人研究者——清华大学物理系特等奖学金得主姚顺宇（Shunyu Yao）。他于2025年9月从 Anthropic 离职后加入谷歌 DeepMind，担任高级研究科学家，直接进入 Gemini 核心团队。此前在2月13日 Gemini 3 Deep Think 重大升级发布时，姚顺宇就已作为核心参与者公开亮相。可以说，从 Deep Think 到 3.1 Pro，这些成果背后都有这位清华校友的身影。
简单来说，Gemini 3.1 Pro 的定位可以用一句话概括：把 Deep Think 验证过的那些深度推理能力，下沉到日常可用的标准模型中，让开发者和普通用户都能直接享受到推理能力飞跃的红利。
二、核心技术原理拆解——为什么推理能力能翻倍
很多人看到跑分数据翻倍的时候，第一反应可能是"又是刷分吧？"但如果我们深入了解 Gemini 3.1 Pro 的技术架构和设计思路，就会发现这次能力提升有着扎实的工程和算法基础。
2.1 基于 Gemini 3 Pro 的架构继承与增强
根据谷歌 DeepMind 发布的模型卡片（Model Card）信息，Gemini 3.1 Pro 是在 Gemini 3 Pro 的基础上构建的。也就是说，它继承了 Gemini 3 Pro 的核心架构——混合式 Transformer-Decoder 骨干网络，但在此基础上引入了关键的优化。
其中最值得关注的是自适应计算路径（Adaptive Compute Pathways）这一设计。简单解释一下：传统的大模型在处理每一个问题时，不管问题难还是简单，都使用相同深度的计算资源。这就好比无论你是做一道加法题还是一道高等数学证明，大脑都以相同的专注度和思考时间去处理，显然是一种浪费。
自适应计算路径的核心思想是：根据问题的复杂程度，动态分配推理深度。 遇到简单的问题就快速给出答案，遇到需要多步逻辑推导的复杂问题就自动加大"思考力度"。这在 Gemini 3 系列中体现为 thinking_level 参数，开发者可以手动设置为 low、medium 或 high，也可以让模型自行判断。
在 Gemini 3.1 Pro 中，这一机制得到了进一步优化。根据技术分析，high 级别的设置会触发更深层次的内部模拟链（internal simulation chains），专门用于处理需要多跳逻辑或约束满足的问题。用一个不太精确但比较直观的类比来说：Gemini 3 Pro 的"思考"像是心算，而 Gemini 3.1 Pro 在面对难题时会自动拿出草稿纸，一步一步把推理过程写下来验证。
2.2 思维签名（Thought Signatures）机制
Gemini 3.1 Pro 引入了一个非常有意思的技术特性——思维签名（Thought Signatures）。这是模型内部推理过程的加密表示，它的作用可以从以下两个角度理解：
对于多轮对话场景，思维签名解决了一个长期存在的痛点。以往的大模型在多轮对话中容易出现"忘记前面说了什么"的问题，特别是在需要连续推理的场景中，模型的逻辑链条经常在几轮对话后就断裂了。思维签名的机制是：模型每一轮推理后，会生成一个加密的"思维快照"，开发者在下一轮调用时将这个快照原样传回，模型就能"记起"它在上一轮内部是怎么思考的，从而保持推理的连贯性。
对于自主智能体（Agent）场景，思维签名提供了可验证的审计线索。在一些对可靠性要求极高的应用（比如金融分析、法律文档处理）中，我们不仅需要模型给出答案，还需要能够追溯它的推理过程。思维签名的不可篡改特性使得这种审计成为可能。
如果你是使用官方 SDK 内置的聊天对象进行开发，思维签名的传递是自动完成的，不需要额外操作。但如果你是通过 REST API 自行构建对话历史，就需要注意从每次响应中提取 thoughtSignature 字段，并在下一次请求中将其包含在对应的 model 角色部分。
2.3 原生多模态与超长上下文
Gemini 3.1 Pro 保持了 Gemini 3 Pro 的全模态输入能力，原生支持文本、图像、音频、视频和 PDF 文档的混合输入。在上下文窗口方面，同样维持了 100 万 Token 输入、64K Token 输出的规格。
这里要特别解释一下100万 Token 的上下文窗口意味着什么。粗略换算一下：100万 Token 大约相当于一本70万字左右的书，或者一个中等规模的完整代码仓库，又或者数小时的音视频内容。这意味着你可以把一整份几百页的合同、一个完整的开源项目代码库、一段完整的会议录音直接丢给模型，让它在"通读"全部内容的基础上给出回答，而不需要事先做分段截取。
在长上下文的实际表现上，Gemini 3.1 Pro 在 MRCR v2 的 128K 长上下文测试中取得了 84.9% 的高分。更关键的是，它是唯一一个支持100万 Token 级别测试并取得有效成绩（26.3%）的模型，同级别的竞品在这一量级上直接显示"不支持"。
2.4 并行工具调用与函数调用能力
Gemini 3.1 Pro 原生支持并行工具调用（Parallel Tool Invocation）和多模态函数响应。这意味着在单次推理步骤中，模型可以同时执行多个操作——比如一边调用 Google 搜索获取实时数据，一边执行 Python 代码处理图像，然后将 JSON 结果和生成的可视化内容一并返回。
这种能力对于构建复杂的 AI Agent 来说非常关键。传统的做法是让模型先想好需要调用哪些工具，然后一个一个地串行调用，每次都要等上一个工具返回结果后才能进行下一步。并行调用大大减少了这种来回传递的延迟，使得整个工作流程更加流畅高效。
谷歌还专门推出了一个针对开发者的定制端点 gemini-3.1-pro-preview-customtools，专门优化了开发者混合使用 bash 命令和自定义函数的场景。在以往的版本中，模型经常在"应该用搜索引擎还是读取本地文件"之间做出错误判断，甚至会在不需要搜索的时候产生幻觉搜索。这个定制端点在工具优先级判断上做了针对性的优化。
三、跑分数据全面对比——用数字说话
了解了技术原理之后，我们来看看 Gemini 3.1 Pro 在各大主流基准测试上的实际表现。莫潇羽@无忆研习社在这里做了一份尽量全面的横向对比，帮助大家建立直观的认知。
3.1 抽象推理能力：ARC-AGI 系列测试
ARC-AGI 是什么？ 这可能是目前大模型领域最受关注的推理能力测试之一。ARC 全称 Abstraction and Reasoning Corpus for Artificial General Intelligence（人工通用智能抽象推理语料库），由知名 AI 研究者 François Chollet 于2019年创立。
这个测试的设计思路很有意思：它不测试模型的知识储备，而是测试模型面对从未见过的全新逻辑模式时的推理能力。具体来说，每道题会给模型展示几个由彩色方格组成的"输入-输出"示例对，模型需要从这些示例中归纳出潜在的变换规则，然后将这个规则应用到新的测试输入上。
ARC-AGI-1 在2019年发布时，所有主流 AI 模型的得分几乎为零。直到2024年底，OpenAI 的 o3 模型通过大量测试时计算（Test-Time Compute）才突破了人类水平。但 ARC-AGI-1 也因此开始"饱和"——顶级模型动辄拿到90%以上的分数，测试的区分度逐渐降低。
ARC-AGI-2 在2025年5月发布，大幅提高了难度。它在保持"对人类简单"的同时（400多名人类测试者平均准确率约60%，所有任务都至少被两个人在两次尝试内解决），对 AI 系统设置了更高的门槛。发布初期，绝大多数模型的得分在0%-4%之间，即使是当时最先进的推理模型也只能拿到个位数的百分比。
以下是 Gemini 3.1 Pro 在 ARC-AGI 系列测试上的成绩对比：
┌─────────────────────────┬────────────────┬──────────────────┐
│ 测试项目 │ ARC-AGI-1 │ ARC-AGI-2 │
├─────────────────────────┼────────────────┼──────────────────┤
│ Gemini 3.1 Pro │ 98.0% │ 77.1% │
│ Gemini 3 Pro │ — │ 31.1% │
│ Gemini 3 Deep Think │ — │ ~84.6% │
│ Claude Opus 4.6 │ — │ 68.8% │
│ GPT-5.2 │ — │ 52.9% │
│ 人类平均水平 │ ~95% │ ~60% │
└─────────────────────────┴────────────────┴──────────────────┘几个关键数据值得注意：
- Gemini 3.1 Pro 在 ARC-AGI-2 上的 77.1% 相比前代 Gemini 3 Pro 的 31.1% 提升了约 2.5 倍，这不是微调层面能带来的进步，背后一定涉及推理机制的根本性改进。
- 在 ARC-AGI-1 上，98.0% 的得分意味着这个测试对 Gemini 3.1 Pro 来说已经接近"解决"状态。
- 77.1% 的成绩虽然仍然高于人类平均的60%，但距离人类的100%解题率还有差距。ARC-AGI-2 的设计者一直强调，只有接近100%才算真正达到人类级别，77% 是一个重要的里程碑但不是终点。
3.2 其他关键基准测试横向对比
除了 ARC-AGI 系列，Gemini 3.1 Pro 在多个维度上都展示了很强的竞争力。以下是 莫潇羽@无忆研习社 整理的主要跑分对比：
推理与科学知识类：
┌─────────────────────────┬───────────┬──────────────┬───────────┐
│ 测试项目 │ Gemini │ Claude │ GPT-5.2 │
│ │ 3.1 Pro │ Opus 4.6 │ │
├─────────────────────────┼───────────┼──────────────┼───────────┤
│ HLE（无工具辅助） │ 44.4% │ 40.0% │ 34.5% │
│ GPQA Diamond │ 94.3% │ 91.3% │ 92.4% │
│ MMMLU（多语言理解） │ 92.6% │ — │ — │
└─────────────────────────┴───────────┴──────────────┴───────────┘HLE（Humanity's Last Exam，"人类最后考试"）是一项旨在测试大模型在高级专业领域知识上极限表现的测试。GPQA Diamond 则是研究生级别的科学问答测试。Gemini 3.1 Pro 在这两项上都取得了领先。
编程与智能体类：
┌─────────────────────────┬───────────┬──────────────┬───────────┐
│ 测试项目 │ Gemini │ Claude │ GPT-5.2 │
│ │ 3.1 Pro │ Opus 4.6 │ │
├─────────────────────────┼───────────┼──────────────┼───────────┤
│ LiveCodeBench Pro (Elo) │ 2887 │ — │ 2393 │
│ SWE-Bench Verified │ 80.6% │ 80.8% │ — │
│ Terminal-Bench 2.0 │ 68.5% │ — │ — │
│ APEX-Agents │ 33.5% │ 29.8% │ 23.0% │
└─────────────────────────┴───────────┴──────────────┴───────────┘在编程领域，LiveCodeBench Pro 的 2887 Elo 积分大幅领先竞品。SWE-Bench Verified 是衡量模型自主修复真实软件 Bug 能力的测试，Gemini 3.1 Pro 以 80.6% 的得分与 Claude Opus 4.6 的 80.8% 基本持平。APEX-Agents 测试衡量的是模型执行多步骤长周期专业任务的能力，33.5% 的得分接近 Gemini 3 Pro（18.4%）的两倍。
长上下文处理：
┌─────────────────────────┬───────────┬──────────────┬───────────┐
│ 测试项目 │ Gemini │ Claude │ GPT-5.2 │
│ │ 3.1 Pro │ Opus 4.6 │ │
├─────────────────────────┼───────────┼──────────────┼───────────┤
│ MRCR v2 (128K 平均) │ 84.9% │ 84.9% │ — │
│ MRCR v2 (1M 测试) │ 26.3% │ 不支持 │ 不支持 │
└─────────────────────────┴───────────┴──────────────┴───────────┘在128K 级别的长上下文测试中，Gemini 3.1 Pro 与 Claude Opus 4.6 打成平手（均为84.9%）。但在100万 Token 级别的测试中，只有 Gemini 3.1 Pro 能够参与并取得成绩。
3.3 并非全胜——客观看待测试结果
需要特别指出的是，Gemini 3.1 Pro 并不是在所有测试上都排名第一。莫潇羽认为，客观地看待这些数据才能帮助大家做出正确的技术选型。
- 在 HLE（使用工具辅助）的评测中，Claude Opus 4.6 以 53.1% 的得分依然保持领先。
- 在 GDPval-AA Elo 专家任务评测中，Claude Sonnet 4.6 以1633分排名第一，Claude Opus 4.6 以1606分紧随其后，而 Gemini 3.1 Pro 为1317分，差距比较明显。
- 在多模态理解（MMMU Pro）上，前代 Gemini 3 Pro 的81.0% 反而比 Gemini 3.1 Pro 的80.5% 略高，出现了小幅回退。
- 在部分专业编程测试中，GPT-5.3-Codex 以其针对编程场景的专项优化仍然保持优势。
这些数据说明，当前的大模型竞争已经不再是"一个模型通吃所有场景"的局面，而是在不同领域形成了各有所长的格局。选择哪个模型，需要根据你的实际应用场景来决定。
四、ARC-AGI-2 测试深入科普——为什么这个测试如此重要
在上面的数据对比中，ARC-AGI-2 反复出现。为什么业界对这个测试如此看重？莫潇羽@无忆研习社在这里做一个较为详细的科普，帮助不太了解背景的朋友建立认知。
4.1 ARC-AGI 的设计哲学
ARC-AGI 的创始人 François Chollet 在设计这套测试时，出发点是一个根本性的问题：我们怎么知道一个 AI 是真的"聪明"，还是只是记住了答案？
传统的 AI 测试（比如各种知识问答、数学题、编程题）有一个共同的缺陷：它们测试的很大程度上是模型"记忆训练数据"的能力，而不是模型"面对全新问题时独立推理"的能力。一个模型在数学竞赛题上拿高分，可能只是因为它在训练时"见过"类似的解题思路；一个模型能回答百科知识，可能只是因为相关信息出现在了训练集里。
ARC-AGI 的设计采取了完全不同的思路。每道题都是一个独特的视觉逻辑谜题：在一个最大30×30的彩色方格网格中，给出几个"输入→输出"的示例对，让你从中发现变换规则，然后把这个规则应用到新的输入上。关键在于——每道题的规则都是独一无二的，在训练数据中从未出现过。
4.2 ARC-AGI-2 相比第一代的难度提升
ARC-AGI-1 在2019年发布后，经历了5年的全球竞赛和超过5万倍的 AI 算力扩张，进展一度非常缓慢。但在2024年底，OpenAI 的 o3 模型通过投入大量测试时计算资源（单题耗费数千美元）突破了人类水平，导致 ARC-AGI-1 开始"饱和"。
ARC-AGI-2 在2025年5月推出，做了两项关键改进：
第一，禁止通过训练数据复用来取巧。 ARC-AGI-2 的所有任务都是全新创建的，公共训练集中的任务不会出现在评估集中。答案无法通过记忆获得，必须进行实时推理。
第二，引入效率约束。 ARC-AGI-2 不仅衡量"能不能解决问题"，还衡量"用多少资源解决问题"。它要求报告每道题的计算成本。在 ARC Prize 2025 竞赛中，参赛者需要在每道题 0.42 美元的算力预算内争取 85% 的准确率。作为参考，OpenAI 当初在 ARC-AGI-1 上达到人类水平时，单题计算成本高达数百美元。
第三，经过严格的人类校准。 每道 ARC-AGI-2 的任务都经过至少两名独立人类测试者的验证，确保在两次尝试内可以解决。超过400名人类参与了基准测试，平均准确率约为60%。
这就是为什么 ARC-AGI-2 如此受关注——它测试的不是"知道多少"，而是"有多聪明"。在这个测试上的进步，在某种程度上反映了 AI 在通用推理能力上的真实进步。
4.3 77.1% 意味着什么？
Gemini 3.1 Pro 在 ARC-AGI-2 上拿到 77.1%，同时每道题的成本为 0.962 美元。这个成绩有以下几层含义：
第一层：相对于模型自身的进步，幅度惊人。从 Gemini 3 Pro 的 31.1% 到 3.1 Pro 的 77.1%，不到三个月时间实现了近 2.5 倍的提升。
第二层：超过了人类平均水平（60%），但尚未达到人类的100%解题率。ARC-AGI 的创始人一直强调，人类水平是指"接近100%"，而不是"高于平均分"。
第三层：从"能否解决"到"高效地解决"。虽然 Gemini 3 Deep Think 在投入更多计算资源后可以达到约84.6%，但 3.1 Pro 作为标准模型（非专用推理模式），在更低的计算成本下就能达到 77.1%，这说明推理效率有了本质性的提升。
五、实际应用场景展示——不只是跑分
跑分数据固然重要，但对于大多数开发者和用户来说，真正关心的问题是：这些能力提升在实际使用中能带来什么？ 谷歌在发布 Gemini 3.1 Pro 时，展示了多个应用场景，莫潇羽挑选了几个有代表性的来解析。
5.1 代码生成的 SVG 动画
SVG（可缩放矢量图形）动画是一个很好的检验模型综合能力的场景，因为它同时要求：几何空间推理能力（理解形状和位置）、数学计算能力（处理坐标变换和动画曲线）、编程能力（生成正确的 SVG/CSS/JavaScript 代码）以及美学判断力（让动画看起来协调美观）。
在测试中，用户只需输入一段简单的文本描述，Gemini 3.1 Pro 就能直接生成可运行的 SVG 动画代码。谷歌 UX 工程师 Michael Chang 用它模拟了复杂的城市规划鸟瞰图，仅用3分钟就生成了一段11秒的 SVG 动画。
更值得关注的是 3.1 Pro 与 3 Pro 在 SVG 生成上的对比。以"海豹顶皮球"这样的测试为例，3 Pro 生成的结果在形态比例和动态流畅度上都明显不如 3.1 Pro，后者能更准确地表达物理运动规律和空间透视关系。类似的差异也出现在3D 像素风格的宝可梦生成中——3.1 Pro 的立体感、色彩搭配和细节丰富程度都有明显提升。
这些 SVG 动画的一个实际优势是：纯代码生成的矢量动画可以无限缩放且保持清晰，文件体积远小于传统视频，非常适合嵌入到网页、演示文稿和应用界面中。
5.2 复杂系统集成
谷歌展示了一个很有说服力的案例：让 Gemini 3.1 Pro 构建一个实时航天数据看板。模型需要自行理解公开的遥测数据流 API，编写代码接入数据，然后生成一个可视化界面，实时展示国际空间站的运行轨迹。
这个案例的难度在于：它不是简单的代码生成任务，而是需要模型理解一个复杂的外部系统（公开遥测数据接口）、设计数据处理流程、构建可视化前端，并将所有这些整合成一个可以运行的完整应用。这种"端到端"的复杂系统集成能力，正是强推理能力带来的实际价值。
5.3 交互式体验设计
另一个令人印象深刻的案例是：Gemini 3.1 Pro 用纯代码编写了一个 3D 椋鸟群舞（Murmuration）特效，用户可以通过手势追踪技术实时"指挥"鸟群的运动方向，同时系统还会根据鸟群的动态实时生成配乐。
这个案例融合了多个高难度技术要素：3D 图形渲染、群体行为模拟（Boid 算法或类似方案）、手势识别接入、以及生成式音乐。对于研究人员和设计师来说，这意味着他们可以用自然语言描述一个多感官交互原型，然后由模型直接生成可运行的代码，大大缩短了从概念到原型的周期。
5.4 创意编程——文学作品的代码诠释
谷歌还展示了一个颇具人文色彩的案例：让 Gemini 3.1 Pro 为经典文学作品《呼啸山庄》设计一个现代风格的个人主页。模型不仅需要理解原著的主题和氛围基调——压抑、深沉、荒凉——还需要将这种氛围转化为具体的视觉设计语言（配色方案、字体选择、布局结构）和可运行的前端代码。
根据展示的效果来看，模型生成的界面确实捕捉到了《呼啸山庄》的情感底色，采用了暗色系配色、极简布局和富有质感的排版。这说明 Gemini 3.1 Pro 在"理解抽象概念并将其转化为具体设计"这个维度上有了明显进步。
5.5 3D 空间推理
在3D空间推理方面，Gemini 3.1 Pro 同样展现了显著的进步。模型能够正确理解3D 变换中的旋转顺序、空间遮挡关系和透视投影，这在之前的版本中是一个常见的薄弱环节。一位名为 Cartwheel 的3D 动画平台联合创始人在测试后提到，Gemini 3.1 Pro 解决了他们长期存在的旋转顺序 Bug——这在3D 动画制作中是一个非常具体但又非常关键的技术问题。
六、幻觉率下降——可靠性的重要进步
除了推理能力的提升，Gemini 3.1 Pro 在另一个关键维度上也有重要改善：幻觉率。
所谓"幻觉"（Hallucination），是指大模型"一本正经地胡说八道"的现象——给出看似合理但实际上完全错误的信息。这是大模型应用落地中最让人头疼的问题之一，因为用户如果无法信任模型的输出，就很难在关键业务中使用它。
根据谷歌的评测数据，Gemini 3.1 Pro 相比上一代在幻觉率上有了大幅下降。在 SimpleQA Verified 测试（衡量事实准确性的基准）中，Gemini 3 Pro 已经取得了72.1%的高分，而 3.1 Pro 在此基础上进一步优化。
在安全性评估方面，谷歌的模型卡片显示，Gemini 3.1 Pro 在安全性和语气方面都优于 Gemini 3 Pro，同时保持了较低的"不合理拒绝"率。所谓"不合理拒绝"，是指模型对明明正常的请求过度防御性地拒绝回答，这也是影响用户体验的一个常见问题。
七、开发者接入指南——从哪里开始使用 Gemini 3.1 Pro
看了这么多介绍，相信很多开发者朋友已经跃跃欲试了。莫潇羽@无忆研习社在这里整理了当前可以使用 Gemini 3.1 Pro 的所有渠道和基本接入方法。
7.1 可用渠道一览
Gemini 3.1 Pro 目前以预览版（Preview）形式提供，可通过以下渠道访问：
面向普通用户：
- Gemini 应用（gemini.google.com）：Google AI Pro 和 Ultra 订阅用户可获得更高的使用限额。
- NotebookLM：仅对 Pro 和 Ultra 用户开放。
面向开发者：
- Google AI Studio（aistudio.google.com）：这是最直接的开发者测试平台，可以在线编写 Prompt、调试参数、预览输出。
- Gemini API：通过 API 方式集成到自己的应用中。模型 ID 为
gemini-3.1-pro-preview。 - Gemini CLI：面向终端的 AI 编程工具，类似于 Claude Code 等命令行编程助手。
- Google Anti
