Nano Banana 2 (Gemini 3.1 Flash Image Preview) vs Gemini 3.1 Pro Preview: benchmarks, precios y velocidad (septiembre de 2026)

columnas de coste como orientativas y confirma la tarifa en vivo en la página propia de cada modelo antes de presupuestar con ella.

La context window limita cuánto material de origen — documentos, código, conversación previa — puedes enviar en una sola solicitud. Una ventana más grande te permite prescindir del troceado y de la fontanería de recuperación para entradas largas, pero sigues pagando la tarifa de tokens de entrada por todo lo que envías, así que una ventana mayor es una capacidad, no un descuento. Ajusta la ventana a la solicitud individual más larga que tu carga de trabajo produzca de forma realista, no al número más grande de la página. Ten también en cuenta que la calidad puede degradarse hacia el final de un contexto muy largo en cualquier modelo, así que una ventana grande conviene tratarla como margen para entradas largas ocasionales y no como una licencia para llenar cada solicitud hasta el límite.

Para chat interactivo y bucles de agente, una latency p50 baja es lo que más importa porque el usuario espera el primer token; para la generación por lotes y la salida de formato largo, el throughput domina el tiempo total porque la respuesta es larga. Los gráficos de tendencia de 7 días de arriba muestran si la latency de cada modelo es estable o se desvía, algo que una única cifra de titular oculta: un modelo con una media excelente pero una cola ruidosa puede aun así incumplir un SLA p95 estricto. Si tu producto tiene un presupuesto de latency, lee tanto la mediana como la forma de la curva, y recuerda que la latency de extremo a extremo también incluye tu salto de red y cualquier recuperación o llamada a herramientas que hagas alrededor del modelo.

Los índices compuestos que se muestran aquí agregan múltiples evaluaciones públicas, y el percentil marca dónde se sitúa cada modelo frente a todos los modelos comparables del catálogo: una señal útil de preselección, no una garantía para tu tarea. Un modelo que lidera en un índice de inteligencia general puede quedarse rezagado en tu dominio (código, extracción, multilingüe, razonamiento de contexto largo), así que usa los benchmarks para acotar el campo y luego ejecuta ambos modelos en una porción representativa de tu tráfico. Presta atención al índice específico que coincide con tu caso de uso en lugar de a la cifra principal: un producto con mucho código debería ponderar el índice de código, y un asistente de investigación, el índice de razonamiento. Los benchmarks también envejecen a medida que los modelos se actualizan, así que trátalos como una hipótesis de partida que confirmas con tu propio conjunto de evaluación.