Tarjeta modelo Google DeepMind, resultados a febrero de 2026. · fuente
Intento único; la tarjeta no proporciona ninguna cifra de Claude para este punto de referencia. · fuente
| Artículo | Valor |
|---|---|
| Entradas | Texto, imágenes, audio, vídeo; ventana de contexto de hasta 1 millón de tokens |
| Producción | Texto, 64K tokens |
| Residencia en | Géminis 3 Pro |
| El último examen de la humanidad (sin herramientas) | 44,4% (Géminis 3 Pro 37,5%) |
| Diamante GPQA (sin herramientas) | 94.3% |
| SWE-Bench Verified (intento único) | 80.6% |
| Terminal-Banco 2.0 (Terminus-2) | 68.5% |
| tau2-bench Telecomunicaciones | 99.3% |
| NavegarComp | 85.9% |
| Atlas de MCP | 69.2% |
| MRCR v2 8 agujas, 1M puntual | 26.3% |
Cifras propias de Google, resultados a febrero de 2026. La tarjeta no incluye ningún precio de API. · fuente
Unofficial, from StatusGator. Uptime is the share of the window not marked down (529 min down, 5676 min degraded); it covers the whole service, not this version alone.
Estimate from the version's published specs, benchmarks and reviews, 0-5; scores are only comparable within one criteria year. Scored as launched (19 Feb 2026, preview). Reasoning: Artificial Analysis Intelligence Index 57 at launch (v4.0; four points ahead of Claude Opus 4.6; The Decoder 21 Feb 2026). AA's pages now show lower numbers (30, 46) after later index versions, not used. Coding null: no Terminal-Bench 4.0; Google published Terminal-Bench 2.0 68.5% (Terminus-2) and SWE-Bench Verified 80.6%. Context 1M input, 64k output (DeepMind model card). Price $2 in / $12 out per 1M up to 200k = $4.50 blended (AA, Google). Speed null: no launch-time speed found (AA now lists 132 tokens/s, undated). Input text, image, audio, video.[1]
The model ranks first in six of ten categories, including agent-based coding, knowledge, scientific reasoning, and physics.
While the leap in logical reasoning and coding benchmarks is impressive, the 'soul' of the model — its emotional depth, empathy, creative flexibility, and nuance — seems to have been significantly reduced.
It is not necessarily faster, and in some modes, it is intentionally slower, taking a moment to chew on a problem before spitting out an answer.
Winner: Gemini wins for providing phrasing I'd actually use because it feels the most natural and immediately usable.
Fotos de lectores, separadas de los medios con fuentes del pin. Valora lo que comiste o viste y, en un pin de restaurante, etiqueta los platos directamente en tu foto.
La primera entrada es siempre la fuente del pin. La confianza global es una media ponderada de la firmeza con la que cada referencia respalda las horas de inicio y fin usadas arriba; una referencia cuenta la mitad por cada 180 días que sea más antigua que la más reciente.
La entrada de Google «Gemini 3.1 Pro: A smarter model for your most complex tasks» está fechada el 19 de febrero de 2026 y dice que se despliega ese día para desarrolladores, empresas y consumidores.
The Wikipedia article lists Gemini 3.1 Pro as released in preview on 19 February 2026.
DeepMind's model card gives the benchmark table against the model's predecessor and named rivals.
¿Falta algo o hay un error? Dilo con tus palabras: un enlace que respalde este pin, otra fecha de inicio o fin y por qué, o un dato que falta o está mal. La IA lo contrasta con las fuentes del pin, busca otras mejores y añade cualquier página que te dé la razón. Las fuentes del propio pin siguen contando más. La IA también mira las imágenes: una que muestra otra cosa, o la muestra mal, pasa al final o se sustituye.
Título original: Gemini 3.1 Pro Released
| Benchmark | Gemini 3.1 Pro | Gemini 3 Pro | Sonnet 4.6 | Opus 4.6 | GPT-5.2 | GPT-5.3-Codex |
|---|---|---|---|---|---|---|
| Humanity's Last Exam (razonamiento académico (conjunto completo, texto + MM), sin herramientas) | 44.4% | 37.5% | 33.2% | 40.0% | 34.5% | — |
| Humanity's Last Exam (razonamiento académico (conjunto completo, texto + MM), búsqueda (lista de bloqueo) + código) | 51.4% | 45.8% | 49.0% | 53.1% | 45.5% | — |
| ARC-AGI-2 (puzles de razonamiento abstracto, verificado por ARC Prize) | 77.1% | 31.1% | 58.3% | 68.8% | 52.9% | — |
| GPQA Diamond (conocimiento científico, sin herramientas) | 94.3% | 91.9% | 89.9% | 91.3% | 92.4% | — |
| Terminal-Bench 2.0 (programación agéntica en terminal, arnés Terminus-2) | 68.5% | 56.9% | 59.1% | 65.4% | 54.0% | 64.7% |
| Terminal-Bench 2.0 (programación agéntica en terminal, otro mejor arnés autodeclarado) | — | — | — | — | 62.2% | 77.3% |
| SWE-Bench Verified (programación agéntica, un solo intento) | 80.6% | 76.2% | 79.6% | 80.8% | 80.0% | — |
| SWE-Bench Pro (Public) (tareas variadas de programación agéntica, un solo intento) | 54.2% | 43.3% | — | — | 55.6% | 56.8% |
| LiveCodeBench Pro (problemas de programación competitiva de Codeforces, ICPC e IOI, Elo) | 2887 | 2439 | — | — | 2393 | — |
| SciCode (programación para investigación científica) | 59% | 56% | 47% | 52% | 52% | — |
| APEX-Agents (tareas profesionales de largo horizonte) | 33.5% | 18.4% | — | 29.8% | 23.0% | — |
| GDPval-AA Elo (tareas de expertos) | 1317 | 1195 | 1633 | 1606 | 1462 | — |
| τ2-bench (agentes y uso de herramientas, comercio minorista) | 90.8% | 85.3% | 91.7% | 91.9% | 82.0% | — |
| τ2-bench (agentes y uso de herramientas, telecomunicaciones) | 99.3% | 98.0% | 97.9% | 99.3% | 98.7% | — |
| MCP Atlas (flujos de trabajo de varios pasos con MCP) | 69.2% | 54.1% | 61.3% | 59.5% | 60.6% | — |
| BrowseComp (búsqueda agéntica, búsqueda + Python + navegación) | 85.9% | 59.2% | 74.7% | 84.0% | 65.8% | — |
| MMMU-Pro (comprensión y razonamiento multimodal, sin herramientas) | 80.5% | 81.0% | 74.5% | 73.9% | 79.5% | — |
| MMMLU (preguntas y respuestas multilingües) | 92.6% | 91.8% | 89.3% | 91.1% | 89.6% | — |
| MRCR v2 (8-needle) (rendimiento en contexto largo, 128k (media)) | 84.9% | 77.0% | 84.9% | 84.0% | 83.8% | — |
| MRCR v2 (8-needle) (rendimiento en contexto largo, 1M (puntual)) | 26.3% | 26.3% | — | — | — | — |