Gemini 3.1 Pro：基准测试、SVG 动画与 CAD 演示

摘要

30 秒看懂

Matthew Berman 介绍 Google 的 Gemini 3.1 Pro 发布，重点讨论其报告的推理与编码基准提升，以及视觉和交互内容生成示例。他对演示感到兴奋，但认为基准分数只能说明部分情况，希望在自己的工作流程中试用该模型。

1轻松的视觉基准Berman 比较了以 SVG 生成的动物动画，并开玩笑说这种进步就是 AGI；这些是演示性示例，并非通用智能测试。
2工具条件很重要Google 的表格显示，Humanity’s Last Exam 在不使用工具时得分为 44.4%，在所述配置下使用搜索和代码时为 51.4%。
3ARC-AGI-2 成绩大幅提升Google 展示的比较中，Gemini 3.1 Pro 得分为 77.1%，Gemini 3 Pro 为 31.1%。经 ARC Prize 验证的分数适用于这项基准，并非对 AGI 的通用衡量。
4基准测试并不全面Berman 希望了解模型在实际使用中的表现，包括在他的 OpenClaw 工作流程中。
5从技术图纸到 CAD 代码一项演示展示了根据图纸生成的代码和渲染对象；视频没有独立验证模型的尺寸或可打印性。

要点建议

Google 报告 Gemini 3.1 Pro 在 ARC-AGI-2 上取得 77.1% 的成绩，是其比较中 Gemini 3 Pro 得分的两倍多。
Humanity’s Last Exam 的报告成绩会因是否能够使用搜索和代码工具而有明显差异。
Berman 认为，基准测试结果需要结合实际使用经验来判断。
Google 精选的示例包括 SVG 动画、交互式鸟群模拟、城市规划应用和 CAD 模型代码。
一个生成的 CAD 示例不能证明尺寸准确或已准备好用于制造。

主题Gemini Benchmarks Generative media 编程智能体 AI interface design

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

从鹈鹕动画到新模型

Berman 从动物动画切入，介绍 Gemini 3.1 Pro，并将这次发布与近期更新的 Deep Think 模式联系起来。

今天是 Gemini 日：Google 发布了 Gemini 3.1 Pro。我想从一个我开玩笑称为 Pelican Bench 的测试开始：用 SVG 生成一只骑自行车的鹈鹕动画。新示例比 Gemini 3 Pro 的版本看起来更精细、流畅。Google 还展示了一只骑高轮自行车的青蛙、一只开小汽车的长颈鹿和一只穿旱冰鞋的鸵鸟。我说这是 AGI 只是玩笑；这些是演示性视觉示例，并不能衡量通用智能。

Google 还表示，上周宣布的 Deep Think 升级使用了较新的 Gemini 3.1 核心，并正在将 3.1 Pro 推向消费者和开发者产品。我迫不及待想在 OpenClaw 中试用它。下面的发布数据是 Google 在 2026 年 2 月报告的比较，因此设置和时间背景都很重要。

解读基准测试表

他比较 Google 报告的学术推理、ARC-AGI-2、科学、编码和工具使用成绩，也讨论 Sonnet 4.6 和基准比较的局限。

幻灯片 2 / 6Google 报告的基准比较表格区分了工具设置，并列出学术推理、编码和智能体任务的结果。

在 Humanity’s Last Exam 上，Google 报告 Gemini 3.1 Pro 不使用工具时得分为 44.4%，使用代码及受屏蔽列表限制的搜索时为 51.4%。这两项都高于表中展示的 Gemini 3 Pro 成绩。表格显示，它在不使用工具时领先 Opus 4.6，使用工具时则略微落后；由于设置不同，每列中的这两个数字不能直接互换比较。

ARC-AGI-2 用一个图案及其解答的示例测试抽象视觉推理，然后要求模型解答一个新例题。Google 报告 Gemini 3.1 Pro 的得分为 77.1%，经 ARC Prize 验证；表中 Gemini 3 Pro 为 31.1%，Opus 4.6 为 68.8%。这项测试的结果十分突出，但基准分数不能证明系统已经实现 AGI。

幻灯片 3 / 6ARC-AGI-2 示例画面展示了基准部分所讨论的一类视觉图案转换。

GPQA Diamond 表中报告的不使用工具得分为 94.3%。在 SWE-bench Verified 的单次尝试设置下，Gemini 3.1 Pro 得分为 80.6%，接近表中 Opus 4.6 的 80.8%，也高于较早的 Gemini 3 Pro 成绩。这些都是所展示配置下针对特定任务的比较，不能保证它在每项科学或编码任务中都有同样表现。

表中另一个有意思的模型是 Anthropic 的 Sonnet 4.6。根据我最近的使用经验，它是知识工作的得力助手：我喜欢它的个性，它擅长调用工具，还有 100 万 token 的上下文窗口。在录制视频时，我觉得它价格很高，虽然比 Opus 便宜，所以没有把它作为 OpenClaw 的主要模型。这是我的个人评价，价格情况也可能变化。

Google 还列出了 LiveCodeBench 和 SciCode 上的优异成绩，以及衡量智能体工具使用的 τ2-bench 电信部分 99.3% 的得分。但基准测试只能说明部分情况。实际中重要的是模型用起来如何。我的 Anthropic OAuth 访问权限被撤销后，我曾短暂切换到 OpenClaw 中的 Gemini 3 Pro，觉得很好用，现在想看看 3.1 的表现。

视觉与交互演示

示例从变色龙 SVG 和鸟群模拟转向城市规划应用。随后 Berman 查看根据技术图纸生成 CAD 对象的代码。

Google 称 3.1 Pro 适用于需要超出简单答案的问题。其变色龙 SVG 对比展示了更精细的设计，以及用于追踪光标的眼睛。我不确定这次发布为什么如此强调 SVG，但这些示例的视觉差异很明显。这些是经过挑选的演示，具体结果可能有所不同。

幻灯片 4 / 6变色龙 SVG 比较选定示例展示了较早版本的简单设计和细节更丰富的变色龙动画。

另一个示例是椋鸟群舞的模拟：一群鸟共同飞行，队形不断变化。Google 将这项交互式模拟作为使用该模型构建的成果展示。它说明了创意编程的一种用途，但仅凭这项演示不能证明它忠实模拟了真实鸟类行为。

Google DeepMind 首席科学家 Jeff Dean 还分享了一款使用 Gemini 3.1 Pro 创建的城市规划应用。演示中，它围绕地形设计城市，并提供路径、碰撞、水域和地貌等设置。它生成城市街区，并制作一张展示成果可能是什么样子的图片。我觉得这个界面令人印象深刻，不过演示并不能证明其规划适合真实城市。

最后一个示例引起了我的兴趣，因为我最近开始接触 3D 打印。提示词要求生成 ManifoldCAD 代码，根据技术图纸重建一个物体；演示展示了生成的代码和渲染后的三维部件。我设想可以用这种方式制作许多设计；不过，这个例子没有验证每一项尺寸，因此在打印或使用部件之前，仍需由人检查尺寸、几何形状和制造适用性。