Google: Gemini 3.1 Pro Preview

Ce spun datele

Evaluat pe 20 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 70,4 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 97.7 pct pe SimpleBench față de 27.3 pct pe Agent Arena.

• SimpleBench97.7 pct79.6%Verifică →
• GPQA Diamond96.8 pct94.4%Verifică →
• SimpleQA Verified96.3 pct73.5%Verifică →
• General96.2 pct1,487Verifică →
• LiveBench96.2 pct77.1%Verifică →
• Prompturi dificile96.2 pct1,508Verifică →
• Humanity's Last Exam95.7 pct46.4%Verifică →
• Urmarea instrucțiunilor95.7 pct1,480Verifică →
• Terminal-Bench95.5 pct80.2%Verifică →
• IFBench (Artificial Analysis)95.4 pct77.1%Verifică →
• Programare92.8 pct1,521Verifică →
• Factuality Arena87.2 pct1,472Verifică →
• Vision Arena84.7 pct1,280Verifică →
• ARC-AGI-283.1 pct77.1%Verifică →
• FrontierMath82.6 pct36.9%Verifică →
• AIME (matematică)82 pct95.6%Verifică →
• WebDev Arena54 pct1,447Verifică →
• Halucinații HHEM (Vectara)42.9 pct89.6%Verifică →
• Document Arena42.1 pct1,459Verifică →
• Agent Arena27.3 pct-0.040Verifică →
• Search ArenaNeevaluat
• BFCL v4 (apelare de funcții)Neevaluat
• SWE-bench Verified (clasament live)Neevaluat
• Terminal-Bench 4.0Neevaluat
• MMLU-Pro (Artificial Analysis)Neevaluat
• LiveCodeBench (Artificial Analysis)Neevaluat
• SWE-bench VerifiedNeevaluat

Percentilele reprezintă poziția modelului în populația proprie a fiecărui clasament. Axele marcate „neevaluat” nu au niciun rezultat publicat pentru acest model — este o absență a datelor, nu un scor mic.

Cum îl rulezi

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"google/gemini-3.1-pro-preview","messages":[{"role":"user","content":"Hello"}]}'

Identificatorii, limitele și prețurile sunt sincronizate din sursa upstream afișată mai sus. Orice câmp nesincronizat este omis complet, nu ghicit.