BenchLeader

Gemini 3.1 Pro vs Gemini 4 Carbon

完整资料:Gemini 3.1 Pro(Google)和 Gemini 4 Carbon(Google),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,质量上 Gemini 4 Carbon 领先 Gemini 3.1 Pro(BenchLeader Index 68.9 比 60.4)。两者价格相近(每百万 token 混合价格 $4.50 比 $4.00)。在两者都有成绩的所有类别中,Gemini 4 Carbon 均领先。Gemini 3.1 Pro 输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Gemini 3.1 Pro 的 BenchLeader Index 为 60.4,Gemini 4 Carbon 为 68.9(BenchLeader,2026年11月16日)。
  • Gemini 3.1 Pro 每百万 token 混合价格为 $4.50(标价,2026年11月16日)。
  • Gemini 4 Carbon 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • Gemini 3.1 Pro 比 Gemini 4 Carbon 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 11 项基准测试中,Gemini 4 Carbon 领先 11 项(BenchLeader,2026年11月16日)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程Gemini 4 Carbon类别得分 74 比 59;Vibe Code Bench v1.1 89.1% 比 32.0%高
智能体与工具调用Gemini 4 Carbon类别得分 70 比 57;Legal Research Bench 55.8% 比 20.7%高
数学Gemini 4 Carbon类别得分 72 比 66;OTIS Mock AIME 100.0% 比 95.6%中
推理Gemini 4 Carbon类别得分 73 比 65;GPQA Diamond 96.5% 比 94.4%高
知识Gemini 4 Carbon类别得分 76 比 66;SimpleQA Verified 77.7% 比 73.5%高
对话质量(人类偏好)–只有 Gemini 4 Carbon 有 Arena 评分(类别得分 73)无法比较
成本最低均可每百万 token 混合价格 $4.50 比 $4.00;智能体编程会话 $0.168 比 $0.160–
首次回答最快Gemini 3.1 Pro首个回答 token 15.2 秒(Gemini 3.1 Pro (high))比 73.5 秒(Gemini 4 Carbon (high))–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • 质量上 Gemini 4 Carbon (high) 领先:68.9 比 60.4。
  • Gemini 4 Carbon (high) 在智能体与工具、编程、知识、数学、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $4.00)。
  • Gemini 3.1 Pro (high) 的输出速度是对方的 1.7 倍(111 比 64 token/秒)。

概览

规格Gemini 3.1 ProGemini 4 Carbon
提供商GoogleGoogle
发布日期2026年2月19日2026年10月28日
上下文窗口(token)1,048,5761,048,576
对比时的配置Gemini 3.1 Pro (high)Gemini 4 Carbon (high)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $12.00 / $0.200$2.00 / $10.00 / $0.100

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Gemini 3.1 Pro (high)Gemini 4 Carbon (high)领先者
推理64.773.2Gemini 4 Carbon
编程58.674.1Gemini 4 Carbon
智能体与工具56.770.3Gemini 4 Carbon
数学65.771.9Gemini 4 Carbon
知识65.676.1Gemini 4 Carbon
人类偏好–72.6无法比较
长上下文–64.3无法比较
综合–70.3无法比较

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学知识Gemini 3.1 Pro, 推理: 64.7Gemini 3.1 Pro, 编程: 58.6Gemini 3.1 Pro, 智能体与工具: 56.7Gemini 3.1 Pro, 数学: 65.7Gemini 3.1 Pro, 知识: 65.6Gemini 4 Carbon, 推理: 73.2Gemini 4 Carbon, 编程: 74.1Gemini 4 Carbon, 智能体与工具: 70.3Gemini 4 Carbon, 数学: 71.9Gemini 4 Carbon, 知识: 76.1

未绘制(测得的模型少于两个):指令遵循, 长上下文, 多模态, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 11 项基准测试中,Gemini 3.1 Pro 领先 0 项,Gemini 4 Carbon 领先 11 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。

综合 IndexGemini 3.1 Pro (high)Gemini 4 Carbon (high)领先者
BenchLeader Index60.468.9Gemini 4 Carbon
Arena Text1487†1526Gemini 4 Carbon

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Gemini 3.1 Pro (high)Gemini 4 Carbon (high)
每百万 token 混合价格$4.50$4.00
每百万 token 输入 / 输出$2.00 / $12.00$2.00 / $10.00
每百万 token 缓存输入$0.200$0.100
每项任务价格:聊天回复$0.0044$0.0038
每项任务价格:总结一份 30 页的报告$0.031$0.030
每项任务价格:代码编辑$0.030$0.027
每项任务价格:智能体编程会话$0.168$0.160
每项任务价格:结构化信息提取$0.0064$0.0060
智能体编程会话(输入大多命中缓存)$0.087$0.074
每项基准测试任务成本(AA Index)–$5.48
每项任务输出 token(AA Index)–123k
其中推理部分–72k
每项任务耗时(AA Index)–32 min
输出速度111 tok/s64 tok/s
首次回答时间15.2 秒73.5 秒
完整回答耗时(最近一次测量 2026年11月13日)37.5 秒160.6 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.1 Pro (high) 得分 60.4,首个回答 token 需 15 秒;Gemini 3.1 Pro 为 59.9(15 秒)。Gemini 4 Carbon (high) 得分 68.9,首个回答 token 需 73 秒;Gemini 4 Carbon (medium) 为 65.8(21 秒),Gemini 4 Carbon (low) 为 60.1(11 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 195 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Gemini 3.1 Pro (high)Gemini 4 Carbon (high)
BenchLeader IndexBenchLeader60.468.9
智能体与工具得分BenchLeader56.770.3
编程得分BenchLeader58.674.1
知识得分BenchLeader65.676.1
数学得分BenchLeader65.771.9
推理得分BenchLeader64.773.2
综合得分BenchLeader–70.3
人类偏好得分BenchLeader–72.6
长上下文得分BenchLeader–64.3
混合价格(美元/百万 token)BenchLeader$4.50$4.00
输出速度BenchLeader111 tok/s64 tok/s
首次回答时间BenchLeader15.2 秒73.5 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.4%96.5%
Humanity's Last ExamScale AI / CAIS46.4%†–
SimpleBenchSimpleBench79.6%†92.6%†
Arena Hard PromptsArena (LMArena)1508†1547
LiveBench 2.0 ReasoningLiveBench–90.6%
LiveBench 1.0 ReasoningLiveBench84.0%–
GPQA Diamond (AA)Artificial Analysis94.1%†–
Humanity's Last Exam (AA)Artificial Analysis47.0%†–
HLE-Diamond (AA)Artificial Analysis31.4%†69.1%
GPQA Diamond (Vals)Vals AI95.5%–
EnigmaEvalScale AI SEAL36.8%–
ARC-AGI-1ARC Prize98.0%†97.5%
ARC-AGI-2ARC Prize77.1%†92.1%
ARC-AGI-3ARC Prize0.4%†96.9%
CritPtArtificial Analysis17.7%†–
CritPt v2 hard subset (AA)Artificial Analysis–69.0%
MysteryMechanismVals AI20.7%–
Arena ExpertArena (LMArena)1509†1567
Chess PuzzlesEpoch AI Benchmarking Hub51.0%78.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub34.0%73.0%
CL-benchEpoch AI Benchmarking Hub20.8%†–
CL-bench LifeEpoch AI Benchmarking Hub16.9%†–
LMCAEpoch AI Benchmarking Hub53.8%–
DTBenchEpoch AI Benchmarking Hub95.5%–
ForecastBenchForecastBench65.2%–
显示全部 195 项基准测试
指标发布方Gemini 3.1 Pro (high)Gemini 4 Carbon (high)
编程
SciCodeSciCode58.7%†64.2%
WeirdMLWeirdML72.1%†–
GSO-BenchGSO-Bench22.6%†–
Arena CodingArena (LMArena)1520†1568
Arena WebDevArena (LMArena)1446†1768
LiveBench 2.0 CodingLiveBench–91.0%
LiveBench 1.0 CodingLiveBench76.5%–
SciCode (AA)Artificial Analysis58.7%†–
LiveCodeBenchVals AI88.5%–
IOIVals AI51.8%–
SWE-bench (Vals)Vals AI78.8%–
SWE-Bench ProScale AI SEAL46.1%†–
Code MigrationVals AI17.3%–
ProgramBenchVals AI0.0%–
Vibe Code Bench 1-100Vals AI6.7%–
Vibe Code Bench v1.1Vals AI32.0%89.1%
Vibe Code Bench 1-100 v1.1Vals AI–49.7%
SWE-Bench Pro (private)Scale AI SEAL32.2%†–
SWE Atlas v1.0: Codebase QnAScale AI SEAL13.5%†–
SWE Atlas v1.0: RefactoringScale AI SEAL33.8%†–
SWE Atlas v1.0: Test WritingScale AI SEAL29.8%†–
SWE Atlas v1.1Scale AI SEAL–71.4%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%†
SWE Atlas v1.1: Test WritingScale AI SEAL–76.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL–64.3%†
MirrorCodeEpoch AI Benchmarking Hub8.9%–
DeepSWE v1.1Epoch AI Benchmarking Hub11.7%†–
CursorBenchCursor–60.4%
ALE-BenchEpoch AI Benchmarking Hub1160.6†–
AlgoTuneAlgoTune2.0†–
FrontierSWEEpoch AI Benchmarking Hub–61.2%
Terminal-Bench 4.0 (AA)Artificial Analysis4.0%†65.2%
Terminal-Bench 2.1 (AA)Artificial Analysis73.8%†–
Design Arena WebsiteDesign Arena1226†1319†
FrontierCode 2.0 (AA)Artificial Analysis–40.6%
智能体与工具
Terminal-BenchTerminal-Bench80.2%†64.5%
APEX-AgentsMercor35.1%†84.2%†
Arena AgentArena (LMArena)-4.5†17
LiveBench Long AgenticLiveBench–72.7%
LiveBench BrowserLiveBench–80.0%
LiveBench Agentic CodingLiveBench44.1%–
Terminal-Bench HardArtificial Analysis53.8%†–
τ²-Bench Telecom (AA)Artificial Analysis95.6%†–
Terminal-Bench 2.1 (Vals)Vals AI70.8%–
MCP AtlasScale AI SEAL78.2%–
HiL-BenchScale AI SEAL35.3%†50.3%†
τ³-bench Bankingτ²-bench26.0%–
GDPval-AA v2.1, normalised scoreArtificial Analysis14.6%†–
GDPval-AA v2.1Artificial Analysis799†1733
τ³-Banking (AA)Artificial Analysis21.4%†–
ITBench SRE (AA)Artificial Analysis30.3%†–
Analyst Agent (AA)Artificial Analysis41.3%†–
APEX-Agents (AA)Artificial Analysis32.0%†–
Finance Agent v2Vals AI43.0%–
Finance Agent v2.1Vals AI–67.2%
Harvey's Legal Agent Benchmark v1.1Vals AI–17.5%
Harvey's Legal Agent Benchmark v1Vals AI0.0%–
Legal Research BenchVals AI20.7%55.8%
SREBenchVals AI0.0%–
Tax Agent BenchVals AI9.3%51.8%
Terminal-Bench 2.0 (Vals)Vals AI67.4%–
Terminal-Bench 4.0 (Vals)Vals AI2.5%63.1%
Terminal-Bench ScienceVals AI1.4%–
Arena SearchArena (LMArena)1209†–
Arena Agent Task CompletionArena (LMArena)-11.3†18.4
BALROGBALROG57.0%†–
DeepResearch BenchDeepResearch Bench47.8%–
PostTrainBenchEpoch AI Benchmarking Hub18.1%†–
ExploitBenchEpoch AI Benchmarking Hub26.1%†–
METR Time HorizonsMETR77.0%†–
GBAEvalEpoch AI Benchmarking Hub0.8%†–
Vending-Bench 2Andon Labs911.2†16484.2†
AutomationBenchArtificial Analysis35.4%†77.8%
GDP.pdf (AA)Artificial Analysis17.8%†28.4%
Harvey LAB-AA v1.1Harvey0.0%†–
EnterpriseOps-GymArtificial Analysis42.2%†–
AA-Briefcase v1.1Artificial Analysis457†1611
GDPxGDPx by SemiAnalysis–10.9%
Design Arena AgenticDesign Arena1088†1305†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–64.8%
MKA (AA)Artificial Analysis–54.3%
BrowseCompOpenAI31.2%†–
DeepSearchQAGoogle60.2%†–
FACTS SearchGoogle90.2%†94.4%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub59.6%†90.5%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†95.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%100.0%
ProofBenchVals AI26.0%†–
LiveBench MathematicsLiveBench91.0%–
AIME (Vals)Vals AI98.1%–
AIME 2026MathArena98.3%–
HMMT February 2026MathArena94.7%–
USAMO 2026MathArena74.4%–
MathArena ApexMathArena60.9%–
ArXivMathMathArena–94.3%
BrokenArXivMathArena–84.4%
Arena MathsArena (LMArena)1488†–
FrontierMath ErdősEpoch AI Benchmarking Hub–2.9%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.5%77.7%
LiveBench 2.0 Data AnalysisLiveBench–86.5%
LiveBench ResearchLiveBench–92.5%
LiveBench 1.0 Data AnalysisLiveBench78.5%–
AA-Omniscience v1.1Artificial Analysis–53.5
MMLU-ProVals AI91.0%–
LegalBenchVals AI87.4%–
CorpFinVals AI64.5%–
TaxEvalVals AI72.9%–
MedQAVals AI96.4%–
PRBench FinanceScale AI SEAL41.9%†–
PRBench LegalScale AI SEAL44.0%†53.4%†
MultiNRCScale AI SEAL64.7%†–
BioMysteryBenchVals AI60.0%–
CaseLaw v2Vals AI64.8%–
Excel Modeling BenchmarkVals AI52.6%–
Excel Modeling Benchmark v1.1Vals AI–76.5%
MedCodeVals AI59.1%–
MedScribeVals AI76.1%–
Public Benefits Bench v1.1Vals AI53.8%–
Financial Coaching BenchVals AI66.7%–
DrugDiscoveryBenchScale AI SEAL41.9%71.5%
EBR-benchEpoch AI Benchmarking Hub14.3%†87.6%
GDP.pdfEpoch AI Benchmarking Hub17.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis–58.3%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–88.6%
Global-MMLU-Lite (AA)Artificial Analysis93.2%†–
FACTS ParametricGoogle79.4%†81.6%†
指令遵循
LiveBench LanguageLiveBench85.4%–
LiveBench Instruction FollowingLiveBench79.1%–
IFBenchArtificial Analysis77.1%†–
MultiChallengeScale AI SEAL71.4%†–
TutorBenchScale AI SEAL53.0%†–
Arena Instruction FollowingArena (LMArena)1480†1525
人类偏好
Arena TextArena (LMArena)1487†1526
EQ-Bench 4EQ-Bench1132†–
EQ-Bench Creative Writing v3EQ-Bench1491†–
Arena Creative WritingArena (LMArena)1482†1516
Arena Multi-turnArena (LMArena)1495†1564
Arena Longer QueriesArena (LMArena)1499†1538
多模态
Arena VisionArena (LMArena)1296†–
LiveBench DesignLiveBench–80.2%
MMMU-ProArtificial Analysis82.4%†89.3%†
MMMU-Pro (Vals)Vals AI88.2%–
MortgageTaxVals AI69.4%–
SAGEVals AI83.2%–
Humanity's Sixth SenseScale AI SEAL–71.1%
VTBScale AI SEAL29.0%†–
GeoBenchGeoBench84.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub26.5%†58.6%†
Furniture AssemblyEpoch AI Benchmarking Hub26.7%77.5%
VIALS-AAHandshake AI–64.0%
FACTS MultimodalGoogle50.4%†60.2%†
长上下文
AA-LCR v1.1Artificial Analysis82.0%†79.3%
Arena DocumentArena (LMArena)1459†–
MLCRArtificial Analysis11.1%†19.4%
FACTS GroundingGoogle56.6%†77.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†169.8†
LiveBench 2.0LiveBench–83.5%
LiveBench 1.0LiveBench77.0%–
AA Intelligence Index v5.0.1Artificial Analysis–60.0
AA Intelligence Index v4.3.2Artificial Analysis29.7†–
AA Progress Index v1Artificial Analysis296.1†350.8
Vals IndexVals AI–70.5
Vals Finance IndexVals AI–67.0%
Vals RSI IndexVals AI–27.7%
Vals Science IndexVals AI27.4%–
Vals Multimodal IndexVals AI56.1%–
Vals Legal IndexVals AI–75.9%
安全与诚实
FORTRESSScale AI SEAL29.8%†16.4%†
MASKScale AI SEAL42.4%†–
DistressBenchScale AI SEAL68.8%†–

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

变化

  • Gemini 4 Carbon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Gemini 4 Carbon (high):BenchLeader Index 69.9 → 68.9。
  • Gemini 4 Carbon (high):1 项新结果(Terminal-Bench)。
  • Gemini 3.1 Pro (high):4 项新结果(AIME 2026, HMMT February 2026, USAMO 2026…)。
  • Gemini 4 Carbon (high):1 项新结果(DrugDiscoveryBench);输入价格 $4.00/M → $2.00/M;输出价格 $20.00/M → $10.00/M;价格 $7.76/M → $5.48/M。
  • Gemini 4 Carbon (high):BenchLeader Index 68.5 → 69.9。
  • Gemini 4 Carbon (high):13 项新结果(GPQA Diamond, FrontierMath Tiers 1–3, FrontierMath Tier 4…)。
  • Gemini 4 Carbon (high):2 项新结果(FrontierSWE, Vals RSI Index)。
  • Gemini 4 Carbon (high):BenchLeader Index 69.3 → 68.5。
  • Gemini 4 Carbon (high):BenchLeader Index 68.8 → 69.3。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Gemini 3.1 Pro vs Gemini 4 Carbon:常见问题

Gemini 4 Carbon 比 Gemini 3.1 Pro 更好吗?
质量上 Gemini 4 Carbon (high) 领先:68.9 比 60.4。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Gemini 4 Carbon (high) 总体领先,但请结合你的用途查看各类别得分。
Gemini 3.1 Pro 和 Gemini 4 Carbon 哪个更便宜?价格会变吗?
目前 Gemini 4 Carbon 更便宜:每百万 token $4.00 比 $4.50(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Gemini 3.1 Pro 还是 Gemini 4 Carbon 更好?
Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 59,50 为平均水平)。
Gemini 3.1 Pro 和 Gemini 4 Carbon 哪个更快?
Gemini 3.1 Pro 输出更快(约 1.5 倍;输出 111 比 64 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.1 Pro 还是 Gemini 4 Carbon 更好?
Gemini 4 Carbon 在智能体任务方面得分更高(类别得分 70 比 57,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
两者都支持 1,048,576 token 的上下文。
哪个延迟更低?
Gemini 3.1 Pro 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 15.2 秒比 73.5 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Gemini 3.1 Pro 和 Gemini 4 Carbon 的看法一致吗?
在两者都有结果的 11 项基准测试中,Gemini 3.1 Pro 领先 0 项,Gemini 4 Carbon 领先 11 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。
Gemini 4 Carbon 是什么时候发布的?
Gemini 4 Carbon 于 2026年10月28日 发布。