昨晚刷 Twitter 看到 Google 发了 Gemini 3.1 Pro，ARC-AGI-2 跑到 77.1%，比上一代高了不少。第一反应是：又来？上个月 3 Pro 才刚稳定下来。

不过看完数据，我觉得这次值得单独记一篇。不是因为它一定比所有模型都强，而是性能、价格和长上下文这三件事放在一起，确实会影响我的使用选择。

先看 ARC-AGI-2 成绩

ARC-AGI-2 这个测试比较特殊，它考的是模型碰到全新逻辑模式时的现场推理能力，不是背答案。人类平均水平大概 60-70%。

各家成绩：

• Gemini 3.1 Pro：77.1%
• Claude Opus 4.6：68.8%
• GPT-5.2：52.9%
• 上一代 Gemini 3 Pro：31.1%

从 31% 到 77%，这个跳跃幅度很大。不过我对这个数字有点保留意见。ARC-AGI-2 的测试集不算大，发布方也可能针对这类任务做过优化。这个分数可以说明推理能力在变强，但不能直接等价成日常编码或文档任务的成功率。

价格是主要优势

说实话，性能提升我没那么兴奋，真正影响我使用选择的是价格：输入 $2/M tokens，输出 $4-18/M tokens。

对比一下：Claude Opus 4.6 输入 $15、输出 $75，GPT-5.2 输入 $10、输出 $30。Gemini 便宜了 5-7 倍，性能还不差。

我拿一个实际的代码重构任务试了下。项目是一个 500 个文件左右的 Python 工具库，目标是把几处重复的数据清洗逻辑抽成公共函数，同时保证原来的 CLI 行为不变。

我的测试方式不算严谨，只跑了一轮：先让模型读目录结构和关键文件，再让它给修改计划，最后让它输出 patch。Gemini 这轮花了大约 $0.45，Claude 花了大约 $2.80。Claude 的修改更稳，边界条件考虑得多一些；Gemini 也能完成主路径，但漏了一个异常输入的处理。

如果只看这次任务，Claude 的代码正确率更高一点（我粗略估是 91% vs 87%）。但六倍左右的价差摆在那里，个人项目我会更愿意先用 Gemini 试一轮。生产环境另说，4% 的正确率差距在大项目里可能意味着几个小时的 debug。

思考模式的实际价值

3.1 Pro 加了三档思考模式——Low、Medium、High。我拿同一道逻辑题测了下，Low 模式 3 秒出结果，High 模式要 40 秒，准确率从 82% 到 94%。

听起来不错，但这个设计本质上就是让你自己选“花多少钱买多少准确率”。问题是，你在提问之前很难知道这道题该用哪档。我的做法比较保守：日常先用 Medium，遇到明显推理失败再切 High。这样会浪费一次调用，但比一开始全用 High 更可控。

1M 上下文的坑

1M tokens 的上下文窗口是 Gemini 的老优势了。我试了一份 600 页左右的技术手册，让它做跨章节引用，准确率大概 89%，比上一代好了不少。

但要注意，长上下文不等于“什么都往里塞就行”。我试过把一整个项目的代码全丢进去让它分析，结果它对中间部分的代码明显不如头尾敏感。这个问题不是 Gemini 独有的，所有长上下文模型都有类似的“中间遗忘”现象，只是程度不同。

踩到的坑

发布第一天就用，肯定有坑：

• 我的历史聊天记录升级后丢了一部分，社区里也有人反馈同样的问题
• High 模式下复杂任务响应时间 40-60 秒，偶尔会超时
• API 可用率体感大概 97% 左右，隔一阵就 500 一下，生产环境别急着上

这些都是新模型的常见问题，等两三周应该会好。

所以该换吗？

看你的场景：

适合切过去的：个人项目、原型开发、长文档处理、对成本敏感的批量任务。这些场景下 Gemini 3.1 Pro 的性价比很明显。

先别急的：生产环境、对代码正确率要求高的项目、需要稳定 API 的服务。等它稳定下来再说。

我自己的做法：日常探索和个人项目切到 Gemini，正经写代码还是用 Claude。不是说 Gemini 写代码不行，而是 Claude 在代码细节上确实更靠谱一点，这 4% 的差距在我的工作流里值那个价差。

---

Google 这个定价会给其他厂商带来压力。$2/M 的输入价格如果能长期维持，很多以前舍不得跑的长上下文任务，现在就可以更随便地试。

对我来说，这可能是 3.1 Pro 最直接的价值：不是每次都替代 Claude，而是把“先试一轮”的成本打下来。

数据基于 2026-02-20 测试，标准 API 调用，无特殊优化。