Gemini 3.1 Pro: para qué sirve de verdad (benchmark en español)

Lo mejor que tiene es Contenido, y aun así queda abajo (#96 de 97 entre los que rinden el examen completo), y donde menos rinde es Razonamiento (7.10 contra 7.68). Cuesta $18.60 por cada 1.000 llamadas.

Nota de calidad7.48/10#97 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$18.60el 12º más caro de 97

Al mes, uso típico$27.9050 llamadas por día, todos los días

Velocidad94 tok/s24.3 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ◨ Entiende imágenes ◈ Razona antes de responder ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.1/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 7.32 (-1.75 vs mediana)

Contenido 7.68 (-0.70 vs mediana)

Razonamiento 7.10 (-0.85 vs mediana)

Agentes 7.35 (-0.20 vs mediana)

Medido con 143 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 6.41. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Integridad de idioma (no mezclar idiomas) — 8.12 (+1.71 contra su media). Decide: no meter otro idioma en medio del texto
Contenido con datos verificables (no inventar) — 7.88 (+1.47 contra su media). Decide: escribir sin caer en la trampa del brief
Verificar un dato contra su fuente — 7.82 (+1.41 contra su media). Decide: decidir si una fuente respalda una afirmación
Decisiones de negocio (prioridades, plan) — 7.81 (+1.40 contra su media). Decide: armar un plan que se sostiene

Donde se cae

Resistencia a prompt injection — 2.19 (-4.22 contra su media). Decide: resistir una fuga de datos
Razonamiento profundo (matemática, Fermi) — 3.59 (-2.82 contra su media). Decide: resolver un problema difícil sin atajos
Noticias + SEO (artículos completos) — 4.54 (-1.87 contra su media). Decide: escribir un artículo publicable
Ventas en frío (cold email, campañas) — 4.76 (-1.65 contra su media). Decide: escribir para vender

Si Gemini 3.1 Pro no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: Gemini 3.1 Pro en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	143
Tool calling	7.70
Resistencia a prompt injection	1.13
Precio
Precio por millón · entrada	$2.00
Precio por millón · salida	$12.00
Rendimiento y límites
Latencia total media	24.3 s
Ventana de contexto	1.048.576

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Gemini 3.1 Pro para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Gemini 3.1 Pro Este modelo	7.48	$18.60
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 14% más y además es más barato: $0.930 contra $18.60. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 13% más (8.48 contra 7.48) y cuesta 2 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Gemini 3.1 Pro no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

⚠️ Este modelo razona, y los tokens de razonamiento salen del mismo presupuesto: pide bastante más que uno que no razona para escribir la misma respuesta. Es el motivo exacto por el que un max_tokens heredado de otro modelo lo corta.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	9.865	22.892	28.615 (piso)
Resistencia a prompt injection	400	2.048	2.560
Capacidades de agente (delegación. skills)	1.522	2.044	2.555
Auditar números (detectar el error plantado)	2.044	2.044	2.555
Decisiones de negocio (prioridades. plan)	2.044	2.044	2.555
Generación de código (Python. SQL. debug)	2.044	2.044	2.555
Contenido genérico (blog. email. social)	2.044	2.044	2.555
Contenido con datos verificables (no inventar)	1.826	2.044	2.555
Creatividad (hooks. analogías. narrativa)	2.044	2.044	2.555
Razonamiento profundo (matemática. Fermi)	2.044	2.044	2.555
Anti-alucinación (citas. contexto)	1.215	2.044	2.555
Integridad de idioma (no mezclar idiomas)	2.044	2.044	2.555
Multi-turno (debugging. requisitos)	1.835	2.044	2.555
Noticias + SEO (artículos completos)	2.044	2.044	2.555
OCR / extracción desde imágenes	2.044	2.044	2.555
Presentaciones (slides. reportes)	2.044	2.044	2.555
Razonamiento general (lógica. decisiones)	2.044	2.044	2.555
Ventas en frío (cold email. campañas)	2.044	2.044	2.555
Contenido startup (newsletter. actualidad)	2.044	2.044	2.555
Estrategia (pricing. planificación)	2.044	2.044	2.555
JSON estructurado (extracción. schemas)	1.151	2.044	2.555
Gestión de tareas (action items. planes)	2.044	2.044	2.555
Traducción (es↔en)	1.892	2.044	2.555
Resúmenes y extracción de datos	1.988	1.988	2.485
Verificar un dato contra su fuente	563	1.938	2.422
Seguir instrucciones al pie de la letra	1.629	1.708	2.135
No inventar herramientas (abstenerse cuando no hay)	314	1.541	1.926
Orquestación (flujos de varios pasos)	1.281	1.511	1.888
Precisión literal (hex. JWT. configs)	381	1.427	1.783
Tool calling (llamada de funciones)	453	1.279	1.598
Soporte al cliente (clasificar y responder)	562	774	967

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Gemini 3.1 Pro

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Gemini 3.1 Pro es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →