在多项基准测试中，Gemini 3.1 Pro（高思考模式）表现强劲，部分指标超越前代模型及竞品。在“人类最后考试”（Humanity's Last Exam）学术推理任务中，无工具条件下准确率达44.4%，使用搜索与代码工具后提升至51.4%。在抽象推理测试ARC-AGI-2中，准确率77.1%，显著领先于Gemini 3.0 Pro的31.1%。科学知识测试GPQA Diamond中，准确率达94.3%，接近人类专家水平。 在编程能力方面，Gemini 3.1 Pro在SWE-Bench Verified任务中单次尝试准确率达80.6%，优于Sonnet 4.6和Opus 4.6。在LiveCodeBench Pro（Codeforces、ICPC、IOI等竞赛题）中，Elo评分达2887，表现优异。SciCode科研编程任务中准确率为59%，在MCP Atlas多步骤工作流任务中达到69.2%。在BrowseComp代理搜索任务中，准确率85.9%，显著领先。 在多模态能力方面，MMMU-Pro任务准确率达80.5%，MMMLU多语言问答任务达92.6%。长上下文处理方面，128k上下文平均准确率84.9%，1M上下文点对点测试为26.3%。 安全性评估显示，Gemini 3.1 Pro在文本安全、多语言安全方面略有提升，图像生成安全略降。在伦理与内容安全方面，模型拒绝不合理请求时语气更客观，对边缘请求的处理更合理。 在前沿安全框架（Frontier Safety Framework）评估中，Gemini 3.1 Pro在五大风险领域（CBRN、网络、有害操纵、机器学习研发、对齐）均未达到关键能力阈值（CCL），处于“安全缓冲”范围内。尽管在机器学习研发方面能力提升，但仍未达CCL；在有害操纵与对齐方面表现稳定，未突破预警阈值。Deep Think模式下，模型在部分任务中性能未显著优于基础模式，且推理成本更高。 总体而言，Gemini 3.1 Pro在推理、编程、多模态和长上下文任务中全面超越前代，同时在安全可控性方面保持严格管控，符合前沿AI模型的安全标准。