Gemini 3.1 Pro Preview är Googles framkant inom resonemangsmodellering, och levererar förbättrad programvaruteknikprestanda, ökad agenttillförlitlighet och mer effektiv tokenanvändning över komplexa arbetsflöden. Byggd på den multimodala grunden...
Google Gemini 3.1 Pro Preview är en flaggskeppsmodell från Google, som erbjuds i förhandsgranskningsform. Det är en multimodal modell som kan bearbeta text, bild, video, ljud och filinmatning.…
Gemini 3.1 Pro Preview är multimodal och kan bearbeta ljud, filer (inklusive dokument, kod och kalkylblad), bilder, text och videoinmatningar. Detta gör att den kan resonera över olika datatyper inom en enda konversation. Till exempel kan du ladda upp en bild tillsammans med en textuppmaning som frågar om dess innehåll, eller analysera en video tillsammans med en utskrift. Filinmatningsmodaliteten stöder strukturerad och ostrukturerad data, vilket gör den användbar för dokumentanalys och datautvinningsuppgifter.
Modellen stöder ett kontextfönster på 1 048 576 tokens för indata. Detta är ett av de största kontextfönster som finns i en flaggskeppsmodell. Det möjliggör bearbetning av mycket långa dokument, hela kodbaser eller timmar av video-transkript i en enda förfrågan. I kombination med utmatningsgränsen på 65 536 tokens möjliggör det omfattande generering av rapporter, sammanfattningar eller flerstegs resonemangskedjor utan att behöva paginera eller dela upp indata.
Ideala användningsfall inkluderar sammanfattning av långa dokument, flervarviga konversationsagenter med minne av hela användarhistoriker, videoinnehållsanalys, komplex dataextraktion från blandade medier och agentiska uppgifter som kräver hög noggrannhet (vilket återspeglas i τ²-Bench-poängen). Modellen utmärker sig även i uppgifter som kombinerar flera inmatningstyper, såsom att analysera ett diagram i en bild samtidigt som man läser en relaterad textpassage. För enklare uppgifter kan en billigare modell vara mer kostnadseffektiv, men omkostnaden för den stora kontexten är motiverad för sofistikerade tillämpningar.
För uppgifter som endast kräver kort textgenerering, enkel klassificering eller svar med låg latens kan en mindre eller icke-flaggskeppsmodell vara mer lämplig. Gemini 3.1 Pro Previews stora kontextfönster och multimodala kapacitet medför högre beräkningskostnad per förfrågan. Om ditt användningsfall inte behöver hela 1M tokens kontext eller utdata på 65K tokens, överväg att använda en lättare modell som finns tillgänglig via OrcaRouter, såsom Gemini 2.0 Flash eller andra kostnadseffektiva alternativ. Utvärdera alltid avvägningen mellan kostnad och prestanda baserat på din genomsnittliga användning av in- och utdatatokens.
Modellen uppnådde en poäng på 95,6 på τ²-Bench. τ²-Bench är ett riktmärke som utvärderar prestanda vid slutförande av uppgifter inom en rad olika agentiska, resonerande och planerande uppgifter. En poäng på 95,6 indikerar en hög noggrannhet vid slutförande av sådana uppgifter. Även om den exakta sammansättningen av τ²-Bench inte anges, placerar poängen denna modell som en stark utförare för strukturerat beslutsfattande och flerstegsresonemangsutmaningar. Det fungerar som en kvantitativ indikator på modellens förmågor jämfört med andra stora modeller.
Latensdetaljer för Gemini 3.1 Pro Preview finns inte i tillgängliga fakta. Men med tanke på dess flaggskeppsnivå och stora kontextfönster (1M tokens) och utmatningsgräns (65K tokens), kommer svarstider att variera baserat på indatalängd, efterfrågad utmatning och serverbelastning. Behandling av mycket långa indata eller generering av stora utdata tar längre tid än med mindre modeller. För realtidsapplikationer, överväg att använda en snabbare modell. OrcaRouters API ger inga specifika latensgarantier för denna förhandsgranskningsmodell.
Modellens styrkor, härledda från dess specifikationer, inkluderar mycket stor kontextkapacitet (1,048,576 tokens), hög utdatatoken-gräns (65,536 tokens), stöd för multimodal indata och ett starkt τ²-Bench score (95.6). Dessa funktioner gör den lämplig för komplexa uppgifter som kräver resonemang över långa kontexter och flera datatyper. Förhandsgranskningsstatusen kan möjliggöra tidig åtkomst till avancerade funktioner före stabil release. Flaggskeppsklassificeringen antyder att den är utformad för krävande applikationer.
Som en förhandsvisningsmodell kan Gemini 3.1 Pro Preview ha samma stabilitet, tillgänglighet eller support som en stabil release. Det kan uppleva förändringar eller avveckling utan förvarning. Inga specifika latens- eller genomströmningssiffror anges, så prestanda under belastning är okänd. Benchmark-poängen på τ²-Bench är ett enda mått och kanske inte återspeglar prestanda på alla uppgifter. Dessutom kan det stora kontextfönstret öka kostnad och svarstid. Användare bör testa noggrant innan produktionsanvändning.
Prisinformation för Gemini 3.1 Pro Preview finns inte i tillgängliga fakta. Som en flaggskeppsmodell är den generellt sett prissatt högre än mindre eller icke-flaggskeppsvarianten, med kostnader som vanligtvis baseras på antalet in- och utdata-tokens. Det stora kontextfönstret (1M tokens) och utdatagränsen (65K tokens) kan leda till betydande tokenanvändning per förfrågan. OrcaRouter kan tillämpa prissättning per token för både in- och utdata, med möjliga extraavgifter för multimodala indata. Användare bör konsultera OrcaRouters prissida för aktuella priser.
När du använder Gemini 3.1 Pro Preview är den största kostnadsdrivaren tokenförbrukning. En enskild begäran som använder hela kontexten på 1M token kommer att medföra höga kostnader för indatatoken. På samma sätt ökar generering av upp till 65K utdatatoken kostnaderna för utdata. För användningsfall som inte kräver full kontext eller full utdata kan användare minska kostnaderna genom att avkorta indata eller ställa in lägre max_tokens. Cachelagring (om det stöds av OrcaRouter) skulle kunna minska redundanta kostnader för indata, men inga detaljer om cachelagring anges. Utvärdera genomsnittliga användningsmönster för att avgöra om en billigare modell är mer ekonomisk.
De tillgängliga fakta anger inte huruvida OrcaRouter erbjuder cachning för Gemini 3.1 Pro Preview. Många API-leverantörer erbjuder token-cachning för upprepade indata-prefix, vilket kan sänka kostnader och förbättra latens. Om cachning är tillgänglig skulle det vara fördelaktigt för användningsfall med frekventa upprepade instruktioner eller systemprompter. Användare bör kontrollera OrcaRouters dokumentation för stöd av cachning. I avsaknad av cachning uppstår hela kostnaden för indata-tokens vid varje begäran.
Inga specifika prisjämförelser tillhandahålls. Generellt sett är flaggskeppsmodeller dyrare per token än mindre modeller. Gemini 3.1 Pro Preview, eftersom det är en flaggskeppsförhandsvisning, har troligen en högre kostnad per token än Gemini 2.0 Flash eller Gemini 2.0 Pro. Men eftersom det är en förhandsvisning kan prissättningen vara kampanjpris eller komma att ändras. Användare bör jämföra OrcaRouter’s listade priser för varje Google-modell för att avgöra vilket alternativ som är mest kostnadseffektivt för deras arbetsbelastning.
För att använda Gemini 3.1 Pro Preview på OrcaRouter, skicka förfrågningar till den OpenAI-kompatibla API-slutpunkten på https://api.orcarouter.ai/v1/chat/completions. Ställ in modellparametern till "google/gemini-3.1-pro-preview". API:et accepterar standardparametrar som messages, max_tokens, temperature och top_p. För multimodala inmatningar, använd innehållsarrayen med lämplig typ (text, image_url, etc.). Exempelkod och SDK:er finns i OrcaRouters dokumentation.
Du kan konfigurera maximalt antal tokens för utdatan upp till 65 536 med parametern max_tokens. Modellen stöder temperature, top_p och andra vanliga samplingsparametrar. För multimodal indata anger du innehållstypen i messages-arrayen. Kontextfönstret på 1 048 576 tokens gäller för alla indatatokens tillsammans. Alla parametrar följer OpenAI chat completions-specifikationen. Se OrcaRouters API-referens för eventuella modellspecifika begränsningar eller ytterligare parametrar.
Att migrera till OrcaRouter är enkelt eftersom det använder ett OpenAI-kompatibelt API. Ändra bara bas-URL:n till https://api.orcarouter.ai/v1 och uppdatera modell-ID:t till "google/gemini-3.1-pro-preview". Autentiseringsmetoder (API-nyckel) är liknande. Om du använde en annan Google-modell kan du behöva justera för olika funktioner (t.ex. kontextfönsterstorlek, multimodal hantering). Testa med exempelförfrågningar för att säkerställa kompatibilitet. OrcaRouters dokumentation innehåller migrationsguider för vanliga installationer.
Som en förhandsgranskningsmodell kan Gemini 3.1 Pro Preview ha lägre hastighetsbegränsningar, mindre tillförlitlighet eller ändras utan förvarning. Den är avsedd för testning och utvärdering. Om du behöver en stabil produktionsmodell, överväg att använda en icke-preview-modell. API:et kan returnera svar snabbare eller långsammare beroende på belastning. Övervaka prestanda och ha en reservmodell. OrcaRouter kan uppdatera modell-ID eller avveckla förhandsgranskningsversioner; planera därefter.
Jämfört med tidigare Google-modeller som Gemini 2.0 Pro erbjuder denna förhandsvisning ett betydligt större kontextfönster (1M vs. 32K tokens) och högre utgångsgräns (65K vs. 8K tokens). Den stöder även ytterligare inmatningsmodaliteter som video och filer på ett mer integrerat sätt. τ²-Bench-poängen på 95,6 är specifik för denna modell och indikerar starka uppgiftsprestanda. Men som förhandsvisning kan den sakna stabiliteten hos stabila utgåvor som Gemini 2.0 eller Gemini 3.0. Flagship-nivån placerar den över Gemini 2.0 Flash i både kapacitet och kostnad.
Inga direkta benchmark-jämförelser tillhandahålls. Modellens 1M tokens kontextfönster är bland de största som finns, i nivå med eller överträffar många konkurrenter. Dess multimodala inmatningsstöd är brett (ljud, fil, bild, text, video). τ²-Bench-poängen på 95,6 ger en jämförelsepunkt för agentiska uppgifter, men utan andra modellers poäng på samma riktmärke är en fullständig jämförelse inte möjlig. Användare bör utvärdera baserat på sina specifika användningsfallsbehov.
Välj denna modell när din uppgift kräver det största möjliga kontextfönstret (upp till 1M tokens) och hög outputgenerering (upp till 65K tokens). Det är också det bästa valet när du behöver hantera flera ingångsmodaliteter – särskilt fil och video – i en enda resonemangsomgång. Den höga τ²-Bench-poängen indikerar att den utmärker sig vid komplexa agentiska uppgifter. Om du redan använder OrcaRouter och vill testa Googles senaste flaggskeppsfunktioner, är denna förhandsvisning en bra startpunkt.
Välj ett alternativ om du behöver en stabil, produktionsverifierad modell (eftersom detta är en förhandsversion). Om din användning har låga latenskrav eller liten tokenanvändning, skulle en billigare modell som Gemini 2.0 Flash eller en modell som inte är från Google vara mer kostnadseffektiv. Om din uppgift inte kräver den fulla 1M tokenkontexten eller multimodal indata, kan en mindre modell ge snabbare och billigare svar. Väg avvägningarna mellan kapacitet, kostnad och tillförlitlighet för din specifika applikation.
OpenAI-kompatibel — behåll det SDK du redan använder
https://api.orcarouter.ai/v1https://api.orcarouter.aifrom openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="google/gemini-3.1-pro-preview",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_tokensreasoningresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_p| Nivå | Inmatning / 1M token | Utdata / 1M tokens | Cacheläsning / 1M | Cache-skrivning / 1M |
|---|---|---|---|---|
| ≤ 200K | $2.00 | $12.00 | $0.200 | $0.375 |
| ≤ ∞ | $4.00 | $18.00 | $0.400 | $0.375 |
| Nivå väljs utifrån antalet inmatningstoken per förfrågan | ||||
Uppskattning baserad på listpris
Skiktad prissättning — den här uppskattningen använder priser för basnivån.
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
GET /api/public/models/google/gemini-3.1-pro-previewÖppna @misc{orcarouter_gemini_3_1_pro_preview,
title = {Gemini 3.1 Pro Preview API},
author = {Google},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemini-3.1-pro-preview}
}Google. (2026). Gemini 3.1 Pro Preview API. OrcaRouter. https://www.orcarouter.ai/models/google/gemini-3.1-pro-preview