SprachmodellVorschau

Gemini 3.1 Pro Preview

Google

Veröffentlicht: 19. Februar 2026
Datenstand: 30. Juli 2026

Einordnung

Position in der Kategorie

Die Übersicht nutzt nur veröffentlichte, zusammenpassende Daten. Fehlende Werte verändern keinen Rang.

Der Index mittelt Rangperzentile aus 4 dokumentierten Vergleichskohorten. Nur Modelle mit vollständiger Abdeckung erhalten eine Position.

Position: Platz 16 von 26
Indexwert: 41,3 / 100
Abdeckung: 4 / 4

Bestenliste

1Claude Opus 588,9 / 100

2Gemini 3.8 Flash88,5 / 100

3Claude Fable 583,2 / 100

15Grok 4.546,2 / 100

16Gemini 3.1 Pro Preview41,3 / 100

17GLM-5.3-Flash35,6 / 100

25MiMo-V2.5-Pro12,5 / 100

Quelle: Vals AI, GPQA Diamond Quelle: Vals AI, Vibe Code Bench v1.1 Quelle: Vals AI, Terminal-Bench 2.1 Quelle: Vals AI, Finance Agent (v2)

Messreihen

Vergleichbare Benchmarkwerte

Jedes Diagramm zeigt ausschließlich eine Quelle, eine Messreihe und eine gespeicherte Vergleichskohorte. Die Balken ordnen die Position. Der Messwert steht rechts.

τ-bench Airline Clean

82,1 % · Platz 1 von 3

Aufgabe: Trefferquote · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-overall · Datenstand: 5. August 2026

1.Gemini 3.1 Pro Preview82,1 %

2.Gemini 3.5 Flash80,8 %

3.GPT-5.579,5 %

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,86 Bewertung · Platz 2 von 3

Aufgabe: Zuverlässigkeit · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-reliability · Datenstand: 5. August 2026

1.GPT-5.50,89 Bewertung

2.Gemini 3.1 Pro Preview0,86 Bewertung

2.Gemini 3.5 Flash0,86 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,81 Bewertung · Platz 2 von 3

Aufgabe: Konsistenz · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-consistency · Datenstand: 5. August 2026

1.GPT-5.50,84 Bewertung

2.Gemini 3.1 Pro Preview0,81 Bewertung

3.Gemini 3.5 Flash0,78 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,83 Bewertung · Platz 2 von 3

Aufgabe: Vorhersagbarkeit · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-predictability · Datenstand: 5. August 2026

1.GPT-5.50,84 Bewertung

2.Gemini 3.1 Pro Preview0,83 Bewertung

3.Gemini 3.5 Flash0,82 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,94 Bewertung · Platz 3 von 3

Aufgabe: Robustheit · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-robustness · Datenstand: 5. August 2026

1.Gemini 3.5 Flash0,97 Bewertung

1.GPT-5.50,97 Bewertung

3.Gemini 3.1 Pro Preview0,94 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

τ-bench Airline Clean

0,97 Bewertung · Platz 2 von 3

Aufgabe: Sicherheit · Vergleichskohorte: hal-tau-airline-clean-hal-reliability-safety · Datenstand: 5. August 2026

1.Gemini 3.5 Flash0,99 Bewertung

2.Gemini 3.1 Pro Preview0,97 Bewertung

3.GPT-5.50,96 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

26 bereinigte Airline-Aufgaben. Alle Kennzahlen wurden von Princeton HAL auf diesem Ausschnitt neu berechnet.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

76,2 % · Platz 2 von 3

Aufgabe: Trefferquote · Vergleichskohorte: hal-gaia-reliability-hal-reliability-overall · Datenstand: 6. August 2026

1.Gemini 3.5 Flash79,2 %

2.Gemini 3.1 Pro Preview76,2 %

3.GPT-5.562,8 %

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

0,82 Bewertung · Platz 2 von 3

Aufgabe: Zuverlässigkeit · Vergleichskohorte: hal-gaia-reliability-hal-reliability-reliability · Datenstand: 6. August 2026

1.Gemini 3.5 Flash0,84 Bewertung

2.Gemini 3.1 Pro Preview0,82 Bewertung

3.GPT-5.50,79 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

0,76 Bewertung · Platz 1 von 3

Aufgabe: Konsistenz · Vergleichskohorte: hal-gaia-reliability-hal-reliability-consistency · Datenstand: 6. August 2026

1.Gemini 3.1 Pro Preview0,76 Bewertung

2.Gemini 3.5 Flash0,75 Bewertung

3.GPT-5.50,61 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

0,78 Bewertung · Platz 3 von 3

Aufgabe: Vorhersagbarkeit · Vergleichskohorte: hal-gaia-reliability-hal-reliability-predictability · Datenstand: 6. August 2026

1.Gemini 3.5 Flash0,8 Bewertung

1.GPT-5.50,8 Bewertung

3.Gemini 3.1 Pro Preview0,78 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

0,94 Bewertung · Platz 3 von 3

Aufgabe: Robustheit · Vergleichskohorte: hal-gaia-reliability-hal-reliability-robustness · Datenstand: 6. August 2026

1.Gemini 3.5 Flash0,96 Bewertung

2.GPT-5.50,95 Bewertung

3.Gemini 3.1 Pro Preview0,94 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

GAIA Reliability

1 Bewertung · Platz 1 von 3

Aufgabe: Sicherheit · Vergleichskohorte: hal-gaia-reliability-hal-reliability-safety · Datenstand: 6. August 2026

1.Gemini 3.1 Pro Preview1 Bewertung

1.Gemini 3.5 Flash1 Bewertung

1.GPT-5.51 Bewertung

3 von 3 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle: Princeton HALTeilnehmer: 3

SimpleQA Verified v2

77,5 % · Platz 1 von 5

Aufgabe: Kaggle-Score · Vergleichskohorte: simpleqa-verified-v2:official:overall · Datenstand: 9. August 2026

1.Gemini 3.1 Pro Preview77,5 %

2.Gemini 3.5 Flash70,4 %

3.GPT-5.6 Sol69,2 %

4.Claude Opus 563,3 %

5.Grok 4.553,8 %

5 von 5 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

1.000 verifizierte Prompts ohne Werkzeuge. Kaggle hat die Ergebnisse unabhängig reproduziert.

Quelle: KaggleTeilnehmer: 5

Humanity's Last Exam

46,44 % · Platz 1 von 2

Vergleichskohorte: hle-final-scale-public-temperature-0 · Datenstand: 2. September 2026

1.Gemini 3.1 Pro Preview46,44 %

2.GPT-5.436,24 %

2 von 2 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Alle 2.500 öffentlichen Fragen, Temperatur 0 und automatischer Antwort-Extraktor.

Quelle: Scale AITeilnehmer: 2

BrowseComp

85,9 % · Platz 3 von 5

Vergleichskohorte: browsecomp-openai-gpt-5-6-table · Datenstand: 2. September 2026

1.Claude Mythos 588 %

2.GPT-5.6 Terra87,5 %

3.Gemini 3.1 Pro Preview85,9 %

4.GPT-5.584,4 %

5.GPT-5.6 Luna83,3 %

5 von 5 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Herstellerübergreifende Vergleichstabelle mit Browser-Werkzeugen. Die genauen Agentensysteme unterscheiden sich.

Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.

Quelle: OpenAITeilnehmer: 5

PRBench Finance

41,87 % · Platz 4 von 4

Aufgabe: Gesamt · Vergleichskohorte: scale-prbench-finance-full · Datenstand: 26. August 2026

1.Claude Fable 553,86 %

2.GPT-5.6 Sol50,45 %

3.GPT-5.445,63 %

4.Gemini 3.1 Pro Preview41,87 %

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

600 Finanzaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.

Quelle: Scale AITeilnehmer: 4

PRBench Legal

44,02 % · Platz 4 von 4

Aufgabe: Gesamt · Vergleichskohorte: scale-prbench-legal-full · Datenstand: 26. August 2026

1.Claude Fable 552,56 %

2.GPT-5.6 Sol50,5 %

3.GPT-5.444,35 %

4.Gemini 3.1 Pro Preview44,02 %

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

500 Rechtsaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.

Quelle: Scale AITeilnehmer: 4

MultiNRC

64,74 % · Platz 1 von 2

Aufgabe: Gesamt · Vergleichskohorte: scale-multinrc-native-languages · Datenstand: 26. August 2026

1.Gemini 3.1 Pro Preview64,74 %

2.GPT-5.458,29 %

2 von 2 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Native, nicht aus dem Englischen übersetzte Reasoning-Aufgaben mit automatischer Bewertung.

Quelle: Scale AITeilnehmer: 2

EnigmaEval

36,78 % · Platz 3 von 4

Aufgabe: Gesamt · Vergleichskohorte: scale-enigma-eval-2026-07-23 · Datenstand: 26. August 2026

1.Claude Fable 539,28 %

2.GPT-5.6 Sol37,12 %

3.Gemini 3.1 Pro Preview36,78 %

4.Gemini 3.5 Flash25,41 %

4 von 4 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

Komplexe multimodale Rätsel mit exaktem Antwortabgleich und einem Versuch.

Quelle: Scale AITeilnehmer: 4

VisualToolBench

28,97 % · Platz 2 von 2

Aufgabe: Gesamt · Vergleichskohorte: scale-visual-toolbench-apr · Datenstand: 26. August 2026

1.GPT-5.429,17 %

2.Gemini 3.1 Pro Preview28,97 %

2 von 2 Modellversionen im Diagramm. Ein höherer Wert liegt vorn.

1.204 Aufgaben, sechs Werkzeuge und höchstens 20 Werkzeugaufrufe pro Aufgabe.

Quelle: Scale AITeilnehmer: 2

Einzelwerte

Veröffentlichte Einzelwerte

Für diese Messwerte liegt keine exakt passende veröffentlichte Vergleichskohorte vor. Der Balken zeigt nur die dokumentierte Skala, keine Rangposition.

MultiChallenge

Aufgabe: Gesamt · Datenstand: 26. August 2026

MultiChallenge71,37 %

Skala 0 bis 100. Kein Rang

Mehrstufige Gespräche mit binären, aufgabenspezifischen Rubriken.

Quelle: Scale AI

TutorBench

Aufgabe: Gesamt · Datenstand: 26. August 2026

TutorBench52,99 %

Skala 0 bis 100. Kein Rang

1.490 Aufgaben mit gewichteten Rubriken und Claude 4 Sonnet als Juror.

Quelle: Scale AI

Steckbrief

Technische Daten und Zugang

Veröffentlichte Angaben zum Modell. Nicht bekannte Werte werden nicht geschätzt.

Modelltyp: ProprietärQuelle
Kontextfenster: 1.048.576 TokenQuelle
Hinweise: 2-fache Verbesserung des Reasonings gegenüber Gemini 3 Pro, GPQA Diamond 94,3 %, SWE-bench 80,6 %Quelle

Kosten