Gemini 3.1 Pro：2026 年发布时的四项基准成绩

摘要

30 秒看懂

在这段 2026 年 2 月的短片中，Matthew Berman 介绍 Google 的 Gemini 3.1 Pro 基准表，并解释 ARC-AGI-2 的模式匹配结构。Google 报告称，在所列设置下，模型在不使用工具的 Humanity’s Last Exam 上得分 44.4%，ARC-AGI-2 得分 77.1%，GPQA Diamond 得分 94.3%，SWE-Bench Verified 得分 80.6%。其中 94.3% 对应的是 GPQA，而非 ARC-AGI-2。

1Humanity’s Last ExamGoogle 报告称，模型在完整文本与多模态测试集中不使用工具时得分 44.4%。
2抽象推理ARC-AGI-2 使用示例转换；Google 列出的 Gemini 3.1 Pro 验证成绩为 77.1%。
3独立的科学知识成绩图表中的 94.3% 对应 GPQA Diamond，而非 ARC-AGI-2。
4编程成绩报告中的 SWE-Bench Verified 单次尝试成绩为 80.6%，接近表中 Opus 4.6 的 80.8%。

要点建议

Google 报告称，Gemini 3.1 Pro Thinking（High）在不使用工具的 Humanity’s Last Exam 完整测试集上得分 44.4%。
其经过 ARC Prize 验证的 ARC-AGI-2 成绩为 77.1%；旁边的 94.3% 是 GPQA Diamond 成绩。
Google 报告的 SWE-Bench Verified 单次尝试成绩为 80.6%，接近所列 Opus 4.6 的 80.8%。
这些历史基准结果取决于模型和评估设置，不能证明其在每项任务中的表现。

主题Gemini Benchmarks 评估

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

Gemini 3.1 Pro 基准亮点

Berman 指出不使用工具的 Humanity’s Last Exam 成绩，并解释 ARC-AGI-2。随后他介绍 Google 基准表中的 GPQA 和编程结果。

幻灯片 1 / 2ARC 类型的视觉转换短片用一道网格谜题展示输入和已解决的示例。

Google 发布时的表格显示，Gemini 3.1 Pro Thinking（High）在不使用工具的 Humanity’s Last Exam 完整测试集上得分 44.4%。我还重点介绍 ARC-AGI-2：它给出视觉转换示例，然后要求系统解决新的题目。Google 报告称，该模型在此基准上取得了经 ARC Prize 验证的 77.1% 成绩。

幻灯片 2 / 2Google 基准比较表格区分了 ARC-AGI-2 的 77.1%、GPQA Diamond 的 94.3% 和 SWE-Bench Verified 的 80.6%。

接下来显示的 94.3% 对应科学知识基准 GPQA Diamond，而非 ARC-AGI-2。Google 的表格还报告 SWE-Bench Verified 单次尝试成绩为 80.6%，接近所列 Claude Opus 4.6 的 80.8%。这些是发布时在特定配置下取得的结果，不能保证两者在所有编程任务中表现相同。