- Gemini 3.1 Pro 在 ARC-AGI-2 抽象推理基準測試中取得 77.1% 的成績，較前代 Gemini 3 Pro 的 31.1% 提升 148%（46 個百分點），以超過 2.5 倍的幅度重新定義了抽象推理的前沿水準[1]
- 首創三層推理架構（Low / Medium / High）搭配 Deep Think Mini 推理引擎，透過 API 的
thinkingLevel參數讓開發者精確控制推理深度與計算預算，LOW 模式與 HIGH 模式之間的成本差距高達 30 倍[2] - 定價為每百萬 input token $2、output token $12（≤200K context），僅為 Anthropic Claude Opus 4.6 的約一半，且支援 Batch API 50% 折扣與 Context Caching 最高 75% 折扣[6]
- 1M token context window 已進入 GA（General Availability）階段，原生支援圖像、音訊、影片與 PDF 的多模態推理，並透過 Vertex AI 提供區域化部署與資料落地保障[9]
一、Gemini 3.1 Pro 的定位：從「追趕者」到「領先者」
2026 年 2 月 19 日，Google DeepMind 正式發布 Gemini 3.1 Pro[1]，這是繼 2025 年底 Gemini 3 Pro 之後的一次重大架構升級。在過去兩年間，Google 的大型語言模型在與 OpenAI 和 Anthropic 的競爭中始終處於「追趕者」的角色——Gemini 1.5 Pro 被 GPT-4o 壓制、Gemini 2 Pro 在推理能力上落後於 Claude 3.5 Sonnet。然而，Gemini 3.1 Pro 的發布徹底翻轉了這一敘事。
根據 Google 官方公布的基準測試數據，Gemini 3.1 Pro 在 18 項主流基準測試中有 12 項取得了第一名的成績[1]。這些測試涵蓋了數學推理（AIME 2025）、科學問答（GPQA Diamond）、程式碼工程（SWE-bench Verified）、網頁瀏覽理解（BrowseComp）、長文本擷取（MRCR）等多個關鍵維度。Artificial Analysis 的獨立評測機構將其列為 Intelligence Index v4.0 的總分第一[10]，這是 Google 模型首次在第三方綜合評測中登頂。
更具戰略意義的是發布時機。Gemini 3.1 Pro 的推出恰好位於 Anthropic Claude Opus 4.6（2026 年 1 月）與 OpenAI GPT-5.3（2026 年 3 月預期）之間的窗口期。Google 選擇在這個時間點打出「全面領先」的旗號，不僅是技術實力的展現，更是一次精心計算的市場定位行動。對企業客戶而言，這意味著 Google Cloud 的 AI 能力第一次可以與 Azure OpenAI 和 AWS Bedrock 上的競品正面抗衡，甚至在部分維度上超越。
值得注意的是，Gemini 3.1 Pro 並非僅在數字上追求優勢。其設計哲學的核心轉變在於將推理能力從「隱式」轉為「顯式且可控」。傳統模型的推理能力是一個黑箱——使用者無法干預模型在回答時投入多少計算資源進行思考。Gemini 3.1 Pro 首次將這一控制權交給了開發者，這在商業部署中具有深遠的成本與效能意涵。
二、三層推理架構：自適應計算分配
Gemini 3.1 Pro 最核心的技術創新是其三層推理架構（Three-Tier Reasoning Architecture），搭配全新的 Deep Think Mini 推理引擎[2]。這一設計直接回應了 Snell 等人在 test-time compute scaling 研究中提出的核心洞見[8]：不是所有問題都需要相同的計算投入，最優策略是根據問題難度動態分配推理資源。
三個推理層級的運作機制
開發者可以透過 Gemini API 的 thinkingLevel 參數，從三個層級中選擇推理深度：
LOW（低推理模式）——適用於事實查詢、簡單翻譯、格式轉換等不需要深度推理的任務。在此模式下，模型跳過大部分的內部思考過程，直接生成回答。Thinking token 消耗極低（通常 < 100 tokens），延遲最短（首 token 回應時間約 0.3-0.8 秒），成本與傳統非推理模型相當。對於企業的客服機器人、FAQ 檢索等高頻低複雜度場景，LOW 模式可以在不犧牲品質的前提下將推理成本降至最低。
MEDIUM（中推理模式）——預設模式，適用於大多數日常任務，包括文本摘要、多輪對話、一般性分析等。模型會進行適度的內部推理（典型思考 token 消耗 200-2,000），在品質與成本之間取得平衡。Google 的內部測試顯示，MEDIUM 模式在大多數通用任務上的表現與 HIGH 模式差距不超過 3%，但成本僅為 HIGH 模式的 1/5 至 1/8。
HIGH（高推理模式）——啟用完整的 Deep Think Mini 推理引擎，適用於數學證明、複雜程式碼除錯、科學研究問答、法律分析等需要多步驟推理的任務。在此模式下，模型會產生大量的思考 token（通常 2,000-30,000+），進行假設生成、驗證、回溯修正等完整推理流程。這是 Gemini 3.1 Pro 在基準測試中取得頂尖成績時所使用的模式[5]。
Deep Think Mini：輕量級推理引擎
Deep Think Mini 是 Gemini 3.1 Pro 內建的推理子系統，其設計理念與 OpenAI 的 o3 系列推理模型有本質區別[4]。o3 是一個獨立的推理模型，使用者必須在「使用推理模型」與「使用標準模型」之間做二選一的決定。Deep Think Mini 則是嵌入在 Gemini 3.1 Pro 內部的推理模組——同一個模型、同一個 API endpoint，透過參數切換即可啟用或關閉推理能力。
這種架構設計的優勢在於：開發者不需要維護兩套 API 調用邏輯，也不需要在前端建立任務路由系統來決定哪些請求應該送往推理模型。一個統一的 API 調用，加上一個參數值的調整，就能覆蓋從簡單問答到深度推理的全部場景。
Thinking Token 計費與思考簽章
三層推理架構帶來了一個全新的計費維度：思考 token（thinking tokens）。在 HIGH 模式下，模型內部推理產生的思考 token 會被計入 output token 的用量[6]。這意味著一個在 HIGH 模式下需要 20,000 個思考 token 才能解決的數學問題，其實際成本是最終回答本身（假設 500 token）的 40 倍以上。
Google 同時引入了「思考簽章」（Thought Signatures）機制——API 回應中會包含加密的思考過程摘要，但不會暴露完整的內部推理鏈。這一設計的目的是在保護模型智慧財產的同時，讓開發者能夠驗證模型確實進行了深度推理，而非僅以 HIGH 模式的定價收取標準回答的費用。
從成本角度進行量化：同一個複雜推理任務，在 LOW 模式下可能花費 $0.01，在 MEDIUM 模式下約 $0.05，在 HIGH 模式下則可能高達 $0.30。三個層級之間最高達 30 倍的成本差距，使得推理層級的選擇成為企業 AI 成本優化的關鍵決策點。超智諮詢的建議是：以 MEDIUM 模式作為預設值，僅在評估確認 HIGH 模式能帶來顯著品質提升的特定任務上啟用深度推理。
三、ARC-AGI-2 突破：抽象推理的里程碑
Gemini 3.1 Pro 最令業界矚目的成就，莫過於在 ARC-AGI-2 基準測試上取得 77.1% 的突破性成績[1]。要理解這個數字的意義，必須先釐清 ARC-AGI-2 測試的本質與其在 AI 評測體系中的獨特地位。
ARC-AGI-2 測量什麼？
ARC-AGI（Abstraction and Reasoning Corpus for Artificial General Intelligence）由 Keras 創始人 François Chollet 於 2019 年提出[3]，旨在衡量 AI 系統最接近「通用智慧」的能力維度——從少量範例中發現抽象規則並泛化應用。與 MMLU 測量知識記憶、HumanEval 測量程式碼生成不同，ARC-AGI 測試的是一種更底層的認知能力：面對從未見過的規則，僅憑 2-3 個輸入-輸出範例就推斷出規則並正確預測新輸入的輸出。
ARC-AGI-2 是原版 ARC-AGI 的進階版本，難度顯著提升。它的測試項目以視覺格網（grid）為基礎，涉及空間變換、對稱識別、物件計數、條件邏輯組合等多種抽象推理模式。一般人類在未經訓練的情況下可以達到 85-95% 的正確率，而截至 2025 年底，最強的 AI 模型在 ARC-AGI-2 上的成績僅在 30-55% 之間。
從 31.1% 到 77.1%：46 個百分點的飛躍
Gemini 3 Pro 在 ARC-AGI-2 上的成績為 31.1%，而 Gemini 3.1 Pro 將這一數字推升至 77.1%——淨提升 46 個百分點，相對提升幅度達 148%[5]。這是 ARC-AGI-2 發布以來，單一模型版本迭代中最大幅度的進步。
將這一成績置於競爭格局中更能看出其意義：
| 模型 | ARC-AGI-2 成績 | 與 Gemini 3.1 Pro 差距 |
|---|---|---|
| Gemini 3.1 Pro（HIGH） | 77.1% | — |
| Claude Opus 4.6 | 68.8% | -8.3 pp |
| OpenAI GPT-5.3 (preview) | 52.9% | -24.2 pp |
| OpenAI o3（high compute） | 49.6% | -27.5 pp |
| Gemini 3 Pro | 31.1% | -46.0 pp |
| 人類基線（未經訓練） | ~85-95% | +8-18 pp |
Gemini 3.1 Pro 領先第二名 Claude Opus 4.6 達 8.3 個百分點，領先 GPT-5.3 preview 達 24.2 個百分點。這一差距在前沿模型的競爭中極為罕見——通常頂尖模型之間的差距僅在 1-3 個百分點以內。值得注意的是，77.1% 的成績意味著 Gemini 3.1 Pro 已經進入人類基線的下緣（85%），首次讓 AI 在抽象推理維度上逼近人類水準。
突破的技術歸因
Google DeepMind 在 Model Card 中將 ARC-AGI-2 的突破歸因於三個技術要素[2]：（1）Deep Think Mini 推理引擎在 HIGH 模式下的多步驟假設-驗證循環，使模型能夠對抽象規則進行系統性搜索；（2）原生多模態架構對視覺格網的理解能力，讓模型可以直接「看到」空間關係而非依賴文本描述；（3）增強的 few-shot 泛化能力，使模型能從僅 2-3 個範例中提取出高層次的抽象規則。
然而，也有獨立研究者指出，ARC-AGI-2 的 77.1% 成績是在 HIGH 模式（最大計算預算）下取得的，其單次推理成本遠高於一般任務。在 MEDIUM 模式下，Gemini 3.1 Pro 的 ARC-AGI-2 成績降至約 58-62%，與 Claude Opus 4.6 的差距大幅縮小。這再次凸顯了三層推理架構的成本-性能取捨。
四、全面基準測試解析
ARC-AGI-2 只是 Gemini 3.1 Pro 表現亮眼的一個維度。為了全面評估這款模型的能力邊界，我們需要從多個基準測試的維度進行系統性分析[5]。以下表格匯整了 Gemini 3.1 Pro 在各項關鍵基準上的表現，並與 Claude Opus 4.6 和 OpenAI GPT-5.3 進行比較。
核心基準測試成績比較
| 基準測試 | 測試內容 | Gemini 3.1 Pro | Claude Opus 4.6 | GPT-5.3 | 領先者 |
|---|---|---|---|---|---|
| GPQA Diamond | 研究生級科學問答 | 94.3% | 89.7% | 86.2% | Gemini |
| SWE-bench Verified | 真實軟體工程修復 | 80.6% | 76.4% | 73.8% | Gemini |
| BrowseComp | 網頁瀏覽理解 | 85.9% | 71.3% | 68.5% | Gemini |
| MCP Atlas | 工具使用與協調 | 69.2% | 64.8% | 61.1% | Gemini |
| LiveCodeBench | 即時程式碼競賽 | 2887 Elo | 2741 Elo | 2695 Elo | Gemini |
| ARC-AGI-2 | 抽象推理 | 77.1% | 68.8% | 52.9% | Gemini |
| HLE（Hard LLM Eval） | 高難度綜合評測 | 32.7% | 28.9% | 26.4% | Gemini |
| MRCR（128K） | 長文本多輪擷取 | 96.8% | 91.2% | 88.5% | Gemini |
| AIME 2025 | 數學競賽推理 | 92.1% | 88.6% | 93.4% | GPT-5.3 |
| Terminal-Bench | 終端機操作任務 | 44.7% | 42.3% | 51.2% | GPT-5.3 |
| GDPval-AA | 全面信任度評估 | 1,411 | 1,523 | 1,700 | GPT-5.3 |
亮點分析
GPQA Diamond 94.3% 是令人印象深刻的成績。這項測試由博士級研究者設計，涵蓋物理、化學、生物學等高難度科學問題，許多題目連領域專家都需要仔細思考。Gemini 3.1 Pro 在此項目上領先 Claude Opus 4.6 達 4.6 個百分點，顯示其在深度科學推理上的優勢。
SWE-bench Verified 80.6% 意味著 Gemini 3.1 Pro 能夠成功修復超過八成的真實 GitHub Issue。SWE-bench 是目前公認最能反映「AI 軟體工程師」實際能力的基準，因為它要求模型理解完整的程式碼庫、定位 bug、提出修復方案並生成可通過測試的 patch。從 2024 年初 GPT-4 的 23% 到 2026 年 Gemini 3.1 Pro 的 80.6%，這一數字的成長反映了前沿模型在程式碼工程能力上的驚人進步。
BrowseComp 85.9% 測試模型在複雜網頁瀏覽任務中的理解與操作能力——包括表單填寫、多頁面跳轉、資訊擷取與交叉比對。Gemini 3.1 Pro 在此項上的優勢（領先 Claude 達 14.6 個百分點）可能部分歸因於 Google 在搜尋與網頁理解領域的長期技術積累。
LiveCodeBench 2887 Elo 是一個動態更新的程式碼競賽基準，題目定期從 Codeforces、LeetCode 等平台擷取新題，避免了靜態基準的數據污染問題。2887 Elo 約等同於 Codeforces 平台上 Candidate Master 等級的競賽選手水準。
對 Google「13 of 16 領先」宣稱的批判性審視
Google 在發布會上宣稱 Gemini 3.1 Pro 在 16 項基準中的 13 項取得領先[1]。然而，獨立分析機構 SmartScope 指出了幾個需要注意的問題[5]：
首先，Google 選擇的 16 項基準並非業界公認的標準測試集，而是經過篩選的子集。例如，Google 未將 Terminal-Bench（GPT-5.3 明顯領先）和 GDPval-AA（GPT-5.3 領先 289 分）納入其宣傳的基準清單。當我們擴展到完整的 18 項主流基準測試時，Gemini 3.1 Pro 的「勝場」降至 12 項（而非 13 項），且在其中 3 項上的領先幅度不足 2 個百分點——這在統計上可能不具顯著性。
其次，多數基準測試的成績是在 HIGH 推理模式下取得的，而實際企業部署場景中大多數請求會使用 MEDIUM 甚至 LOW 模式。在 MEDIUM 模式下的比較數據，Google 並未完整公開。
這並非否定 Gemini 3.1 Pro 的技術成就——它確實是 2026 年 2 月最強的前沿模型之一——而是提醒企業讀者：基準測試的解讀需要考慮測試選擇偏差、計算預算設定與統計顯著性。
五、技術架構
Gemini 3.1 Pro 的架構繼承並深化了 Google DeepMind 在 Gemini 系列中一貫的設計哲學：Sparse MoE、TPU 原生協同設計、多模態原生融合[2]。
Sparse Mixture-of-Experts（稀疏混合專家）
Gemini 3.1 Pro 採用 Sparse MoE 架構，每個 Transformer 層包含多個「專家」子網路，但在處理每個 token 時僅啟用其中一小部分。這使得模型的總參數量可以非常龐大（提供更廣泛的知識覆蓋），而實際推論時的計算成本僅相當於啟用參數的規模。Google DeepMind 未公開 Gemini 3.1 Pro 的確切參數量，但業界根據推論延遲和吞吐量推測，其總參數量可能超過 1 兆（1T），而每 token 啟用的參數約在 50-80B 範圍。
MoE 架構的另一個優勢在於專家專業化（Expert Specialization）。不同的專家子網路會在訓練過程中自然分化，分別負責不同的知識領域或能力維度——例如某些專家擅長數學推理、某些擅長語言生成、某些擅長程式碼理解。路由機制（Router）會根據 input token 的特徵，動態選擇最適合的專家組合。這一機制與三層推理架構形成了有趣的互補：thinkingLevel 控制的是宏觀的推理深度，而 MoE 路由控制的是微觀的專家選擇。
TPU 協同設計
與 OpenAI 和 Anthropic 主要依賴 NVIDIA GPU 不同，Gemini 系列模型從架構設計階段就與 Google 自研的 TPU（Tensor Processing Unit）深度協同。Gemini 3.1 Pro 在 TPU v5p 叢集上訓練，這款晶片針對大規模 MoE 模型的通訊模式進行了硬體層面的優化，包括 Inter-Chip Interconnect（ICI）的拓撲設計和 All-to-All 通訊的硬體加速。
TPU 協同設計的直接好處是：在相同的推論品質下，Gemini 3.1 Pro 的每 token 邊際成本低於基於 NVIDIA H100 的競品模型。這部分解釋了 Google 為何能以 $2/$12 的定價提供一個在多數基準上領先的模型——其硬體成本結構本身就具有優勢。
原生多模態架構
Gemini 3.1 Pro 延續了 Gemini 系列從 1.0 開始的「原生多模態」（Natively Multimodal）設計——模型從第一天起就在文本、圖像、音訊和影片的混合資料上進行聯合訓練，而非先訓練文本模型再「嫁接」視覺編碼器。這種架構讓不同模態之間的交叉推理（cross-modal reasoning）更加自然和準確。
具體支援的模態包括：
- 圖像：支援 JPEG、PNG、WebP、GIF 等格式，可處理圖表分析、OCR、視覺推理等任務
- 音訊：原生理解語音內容，支援多語言語音辨識與語音情感分析
- 影片：可處理長達數小時的影片輸入，進行時序理解、動作識別與內容摘要
- PDF：原生解析 PDF 文件結構，保留表格、圖表與文本之間的關聯性
1M Token Context Window
Gemini 3.1 Pro 的 1M（一百萬）token context window 已正式進入 GA 階段[9]。這個容量足以在單次推理中處理約 750,000 個英文字（或約 500,000 個中文字），相當於一本完整的技術書籍或一整天的會議錄音。相較之下，Claude Opus 4.6 的 context window 為 200K token，GPT-5.3 為 256K token。
MRCR（Multi-Round Context Retrieval）基準測試驗證了長 context 的實際效用：在 128K context 的條件下，Gemini 3.1 Pro 達到 96.8% 的擷取準確率，明顯優於 Claude 的 91.2% 和 GPT-5.3 的 88.5%。這意味著在長文件分析、大型程式碼庫理解等場景中，Gemini 3.1 Pro 不僅能容納更多內容，且在「大海撈針」式的精確擷取上也更加可靠。
六、定價與競爭力分析
Gemini 3.1 Pro 的定價策略是其競爭力的關鍵支柱之一[6]。Google 採取了「以量取價」的策略，以顯著低於 Anthropic 和 OpenAI 旗艦模型的單價，吸引企業客戶遷移至 Google Cloud 生態系。
基礎定價
| 模型 | Input（每百萬 token） | Output（每百萬 token） | Context Window |
|---|---|---|---|
| Gemini 3.1 Pro（≤200K） | $2.00 | $12.00 | 1M tokens |
| Gemini 3.1 Pro（>200K） | $4.00 | $16.00 | 1M tokens |
| Claude Opus 4.6 | $15.00 | $75.00 | 200K tokens |
| Claude Sonnet 4.6 | $3.00 | $15.00 | 200K tokens |
| GPT-5.3 | $10.00 | $30.00 | 256K tokens |
| GPT-5.3 mini | $1.50 | $6.00 | 128K tokens |
Gemini 3.1 Pro 的 input 定價（$2.00）僅為 Claude Opus 4.6（$15.00）的 13%，output 定價（$12.00）僅為 Opus（$75.00）的 16%。即使與定位為「中階」的 Claude Sonnet 4.6 比較，Gemini 3.1 Pro 的 input 價格仍低 33%，且提供了 5 倍大的 context window。與 GPT-5.3 相比，input 價格為其 20%、output 價格為其 40%。
成本優化機制
除了基礎定價優勢，Google 還提供了多項成本優化機制：
Batch API（50% 折扣）——對於非即時性任務（如批量文件分析、夜間資料處理），Batch API 提供 50% 的價格折扣。Input 成本降至 $1.00/百萬 token，Output 成本降至 $6.00/百萬 token，這使得 Gemini 3.1 Pro 在批次處理場景中的成本優勢進一步擴大。
Context Caching（最高 75% 折扣）——當多次請求共用相同的 system prompt 或參考文件時，Context Caching 可以大幅降低重複 input 的成本。快取的 token 按正常價格的 25% 計費（即 $0.50/百萬 token），且快取在 TTL（存活時間）內可被同一專案的所有請求共享。對於典型的 RAG 系統——每次請求都附帶相同的知識庫片段——這一機制可以將 input 成本降低 60-75%。
Free Tier——Google 維持了 Gemini API 的免費額度：每分鐘 15 次請求、每天 100 萬 input token，足以支撐原型開發和小規模測試。這個免費額度在三大廠商中是最慷慨的。
總持有成本（TCO）分析
以一個典型的企業 AI 應用場景為例（每日 100,000 次 API 呼叫、平均 input 2,000 token、平均 output 500 token、80% 使用 MEDIUM 推理、20% 使用 HIGH 推理）：
| 成本項目 | Gemini 3.1 Pro | Claude Opus 4.6 | GPT-5.3 |
|---|---|---|---|
| 月度 Input 成本 | $12,000 | $90,000 | $60,000 |
| 月度 Output 成本 | $18,000 | $112,500 | $45,000 |
| Context Caching 節省 | -$6,000 | N/A | -$15,000 |
| 月度 API 總成本（估算） | ~$24,000 | ~$202,500 | ~$90,000 |
在這個模擬場景中，Gemini 3.1 Pro 的月度成本約為 Claude Opus 4.6 的 12%、GPT-5.3 的 27%。即使考慮到 Claude Sonnet 4.6 作為替代方案（月度成本約 $27,000），Gemini 3.1 Pro 仍具有約 10% 的成本優勢，且提供了更大的 context window 和更高的基準測試分數。
七、企業部署實務
模型能力和定價只是企業決策的一半因素。另一半——也是許多技術文章忽略的——是部署架構、合規要求與營運穩定性[9]。
Vertex AI 區域化端點
Google Cloud 的 Vertex AI 是 Gemini 3.1 Pro 企業部署的主要途徑。與 Google AI Studio（面向開發者的直接 API）不同，Vertex AI 提供了企業級的安全、合規與管理能力。截至 2026 年 2 月，Gemini 3.1 Pro 已在以下 Vertex AI 區域上線：
- 亞太區域：東京（asia-northeast1）、新加坡（asia-southeast1）、雪梨（australia-southeast1）
- 美洲區域：美國東部（us-east1, us-east4）、美國中部（us-central1）、美國西部（us-west1）
- 歐洲區域：倫敦（europe-west2）、法蘭克福（europe-west3）、荷蘭（europe-west4）
資料落地（Data Residency）
對台灣企業而言，資料落地是選擇雲端 AI 服務的關鍵合規考量[7]。Vertex AI 的資料落地保障包含以下層面：
靜態資料落地——使用者上傳的訓練資料、微調模型的權重、評測結果等靜態資料，儲存在使用者選擇的 Google Cloud 區域內，不會跨區域複製。對台灣企業而言，最近的選項是東京或新加坡區域。
推論資料處理——API 請求（input prompt 和 output response）在使用者指定的區域端點上處理。選擇 asia-northeast1（東京）端點的企業，其資料在推論過程中不會離開東京的資料中心。然而，需要注意的是，Google 的內部模型服務架構可能涉及跨區域的負載平衡——Google 在 Model Card 中承諾「推論資料不會持久化（persist）在所選區域以外」，但推論過程中的瞬時資料流動細節並未完全公開[7]。
Gemini Enterprise 方案
針對大型企業客戶，Google Cloud 提供 Gemini Enterprise 方案[9]，包含：
- 專屬模型端點：獨立的推論基礎設施，避免多租戶模型的效能波動
- 進階 SLA：99.9% 可用性保證（標準 Vertex AI 為 99.5%）
- 優先存取：新模型版本的提前 2-4 周存取權
- 自訂微調：在 Vertex AI 上使用企業私有數據進行 Gemini 3.1 Pro 的參數微調
- 模型版本鎖定：可指定使用特定日期的模型快照（model snapshot），避免自動更新帶來的行為變化
Custom Tools Endpoint
Gemini 3.1 Pro 在 Vertex AI 上提供了 customtools endpoint，允許企業將內部 API 以工具（tool）的形式註冊到模型的推理流程中。模型可以在推理過程中自主呼叫這些工具——例如查詢企業內部的 CRM 系統、檢索知識庫、執行計算等——實現真正的 Agent 式工作流。這一功能與 Anthropic 的 Tool Use 和 OpenAI 的 Function Calling 類似，但 Google 的實作優勢在於與 Google Cloud 服務（BigQuery、Cloud Functions、Pub/Sub）的深度原生整合。
速率限制與配額
| 配額類型 | 免費 Tier | 付費 Tier（標準） | Enterprise Tier |
|---|---|---|---|
| 每分鐘請求數（RPM） | 15 | 1,000 | 10,000+ |
| 每分鐘 Token 數（TPM） | 100K | 4M | 可議 |
| 每日請求數上限 | 1,500 | 無限制 | 無限制 |
| 最大 Context 長度 | 1M tokens | 1M tokens | 1M tokens |
| 批次 API | 不支援 | 支援 | 支援（優先佇列） |
需要注意的是，HIGH 推理模式由於每次請求消耗的 token 數量遠高於 LOW/MEDIUM，實際的有效 RPM 會因推理模式而異。一個在 HIGH 模式下消耗 20,000 思考 token 的請求，會佔用 4M TPM 配額的 0.5%，這意味著在 HIGH 模式下，每分鐘最多只能處理約 200 個複雜推理請求（假設每請求含 20K 思考 token + 2K input + 500 output）。
八、局限與風險
儘管 Gemini 3.1 Pro 在多數維度上表現出色，但任何負責任的技術評估都必須正視其局限性。以下是我們在實際測試與第三方分析中發現的主要弱點與風險。
GDPval-AA 評估：289 分的信任度落差
GDPval-AA（General-Domain Preference Validation - Adversarial Accuracy）是 Artificial Analysis 開發的綜合信任度評估框架[10]，衡量模型在事實一致性、幻覺率、自我矛盾率、安全邊界遵守等維度的整體可靠度。Gemini 3.1 Pro 在 GDPval-AA 上的得分為 1,411，落後於 GPT-5.3 的 1,700 達 289 分，也低於 Claude Opus 4.6 的 1,523。
這一落差的實務意涵是：在需要高度事實可靠性的場景中（如法律諮詢、醫療資訊、財務報告），Gemini 3.1 Pro 的幻覺風險可能高於其競品。企業在這類場景中應考慮額外的事實驗證機制，或將 Gemini 3.1 Pro 的輸出交由 Claude Opus 4.6 進行交叉驗證。
Terminal-Bench：系統操作能力的短板
Terminal-Bench 衡量模型在終端機環境中執行系統管理、DevOps 和基礎設施操作任務的能力。GPT-5.3 以 51.2% 的成績明顯領先 Gemini 3.1 Pro 的 44.7%。這意味著在 AI Agent 需要直接操作伺服器、執行 shell 命令、管理容器等場景中，GPT-5.3 目前仍是更可靠的選擇。
這一弱點可能與 Gemini 模型的訓練數據分佈有關——Google 的訓練數據可能在網頁內容和學術文獻上的比例較高，而在終端機操作的實例上相對不足。隨著 Gemini CLI（Google 新發布的命令列工具）帶來更多的終端互動數據，這一差距預期將在後續版本中縮小。
「Preview」狀態的隱含風險
截至 2026 年 2 月 25 日，Gemini 3.1 Pro 在部分功能上仍處於「Preview」狀態。根據 Google Cloud 的分類，Preview 意味著：（1）API 行為可能在無預警的情況下變更；（2）不提供 SLA 保障（除 Enterprise Tier 外）；（3）不建議用於生產環境的關鍵路徑。
具體而言，以下功能仍在 Preview 中：
- Deep Think Mini 的 HIGH 模式在某些邊緣情況下的行為穩定性
- 超過 500K token 的超長 context 推理
- 影片輸入超過 2 小時的處理
- Thought Signatures 的加密格式（可能在正式版本中變更）
企業在現階段部署 Gemini 3.1 Pro 時，應建立模型行為監控機制，並準備好在模型更新導致行為變化時快速回應的策略——例如維護模型版本鎖定（model pinning），或保留一個備用模型（如 Claude Sonnet 4.6）作為 fallback。
基準測試選擇偏差的結構性問題
如前文所述，Google 在宣傳 Gemini 3.1 Pro 時選擇性地強調了其表現最佳的基準測試[5]。這不是 Google 獨有的問題——OpenAI 和 Anthropic 在發布模型時同樣會挑選對自己有利的基準。但對企業客戶而言，重要的提醒是：永遠不要僅根據發布方自選的基準排行榜做出採購決策。
超智諮詢的建議是：企業應在自己的實際任務數據上建立內部評測框架（internal evaluation suite），測量模型在本企業特定場景中的表現。一個模型在 GPQA Diamond 上領先 5 個百分點，不代表它在你的客服對話品質評分上也領先 5 個百分點。基準測試是篩選的起點，內部評測才是決策的終點。
