Gemini 3.1 Pro Preview
Google百万上下文加便宜价格，长文档场景的国际线首选
Google 当前主力 Pro 档。AA Intelligence 46 全球第 8，价格 $2/M 输入 + $12/M 输出，是 Top 10 里最便宜的之一。SuperCLUE 中文榜 75.73 排海外第 1、整体第 1，中文能力意外能打。1M 上下文塞百页 PDF 不眨眼，输出速度 136 token/s 远超 Claude 的 56.6。
关键指标
Artificial Analysis · 独立评测
artificialanalysis.ai · 抓取于 2026-07-11| 综合智能（Intelligence Index） | 46.00 |
| 输出速度 | 117 token/s |
| 首 token 延迟（TTFT） | 25.40s |
| 总响应延迟 | 29.68s |
| 推理模式 | 否 |
AA 是独立第三方评测站，综合 GPQA / HLE / MMLU-Pro / SciCode / Tau²-Bench / TerminalBench / IFBench 等公开基准。 同一模型不同 reasoning effort 配置 AA 拆开排，本表只取最高分那档。
LMArena · 人类盲测排名
arena.ai · 抓取于 2026-07-11| 分类 | 最佳变体 | 排名 | Elo |
|---|---|---|---|
| 🔍 Search | gemini-3.1-pro-grounding | #7 | 1213.260217961327 |
| 🌐 Web Dev | gemini-3.1-pro-preview | #9 | 1489.93 |
| 🏆 Overall | gemini-3.1-pro-preview | #10 | 1485.338420499454 |
| 👁️ Vision | gemini-3.1-pro-preview | #12 | 1281.51 |
| 📄 Document | gemini-3.1-pro-preview | #18 | 1440.82 |
| 💻 Code | gemini-3.1-pro-preview | #32 | 1444.57 |
只展示 Top 10 内出现的分类与变体。同一分类下若有多个变体（thinking / search 等），只显示排名最靠前的。 LMArena 是 Elo 分，人类盲测两两投票算出来—— 「人类觉得好」≠「客观最强」，但反映真实使用体验。
SuperCLUE · 中文能力测评
superclueai.com · 2026-05| 收录条目 | Gemini-3.1-Pro-Preview |
| 综合总分 | 75.73 （榜单第 1 位） |
| 代码生成 | 81.47 |
| 数学推理 | 82.46 |
| 智能体（任务规划） | 75.12 |
| 精确指令遵循 | 56.19 |
SuperCLUE 是国内做中文测评最久的独立基准。覆盖数学/科学/幻觉/指令/代码/Agent 六维。 官方说明：分差 1 分内并列，部分模型只做参考不参与排名。
API 价格与国内可用性
来源 openrouter.ai · 抓取于 2026-07-11| 输入价格 | $2.00 / 百万 token |
| 输出价格 | $12.00 / 百万 token |
| 上下文窗口 | 1049K tokens |
| 国内可用性 | 不稳定 |
| 最近核验 | 2026-07-11 |
| 模型 | 输入 | 输出 | 国内 |
|---|---|---|---|
| Gemini 3 Pro Image · Google | $2.00 | $12.00 | 需代理 |
| Gemini 3.1 Pro Image · Google | $2.00 | $12.00 | 需代理 |
| Claude Sonnet 5 · Anthropic | $2.00 | $10.00 | 需代理 |
| Claude Sonnet 4.6 · Anthropic | $3.00 | $15.00 | 需代理 |
Vectara HHEM · 幻觉率实测
vectara/hallucination-leaderboard · 2026-07-02T04:24:22.584572+08:00| 幻觉率（Hallucination Rate） | 10.4% （越低越好 · 全榜第 59 / 105） |
| 事实一致率 | 89.6% |
| 答题率（Answer Rate） | 99.4% |
Vectara HHEM-2.3 是开源的事实一致性评估器。让模型对 7700+ 篇文档（新闻/科技/科学/医疗/法律/体育/商业/教育）做摘要， 温度=0，HHEM 评估摘要是否「捏造原文里没说的内容」。 幻觉率不等于"模型质量"——它只衡量摘要任务的事实一致性，做题强的旗舰模型反而经常更爱"加戏"。 但对 RAG、客服、医疗法律这种「不能瞎说」的场景，这是目前最有参考价值的指标之一。
什么时候选它 / 别选它
- 长文档 RAG、百页合同/论文分析——1M 上下文 + 便宜价
- 需要兼顾中文与多语言的混合场景（SuperCLUE 海外榜第 2）
- 对响应速度敏感的产品——输出 129.5 token/s 是 Claude 的 2.3 倍
- LMArena Text 排到第 4，但 Vision/Search 都被 Claude 压一头
- 国内无代理——Google AI Studio 不开放大陆 IP
- 对 reasoning effort 调档敏感的——Gemini 没有 AA 那种 xhigh/high/medium 多档