Gemini 3.1 Pro 与 Qwen3.8-27B：提前七个月的预览 vs 一个可下载的检查点

2026年9月18日，该厂商自家 AI 开发者论坛上的用户开始报告，Gemini 3.1 Pro已从 AI Studio 的模型选择器中消失——付费账户也不例外，清缓存、开无痕窗口都无济于事。那个要求厂商说明这究竟是“bug 还是有意为之”的帖子，到9月21日仍挂着。没有弃用通知，没有迁移路径，也没有官方人员回复。与此同时，Qwen3.8-27B——该实验室于8月14日以 Apache 2.0 协议开源——任何已经下载它的人都无法被夺走。这场对决真正取决于的，正是这种不对称，而非基准测试的差距（差距确实存在，但并不算大）；也正因如此，尽管各种对比表格把这两个模型并排放在一起，它们其实并不在争夺同一个位置。

以下是对现有数据的一一对比，每项均标明来源：Artificial Analysis 于 2026 年 9 月 23 日抓取的数值、阿里巴巴自家的模型卡、Google 的发布公告，以及我们自己的路由遥测数据，全程分开呈现。凡未经测量之处，本页会如实说明，而非凭空猜测。

本周发生了什么，以及它意味着什么、不意味着什么

这些报告很具体，而且来自 Google 自己的论坛，而不是竞争对手的博客。一个题为“Gemini 3.1 Pro 自 2026-09-18 起从 AI Studio 中消失——是 bug 还是有意为之？”的帖子描述了付费用户在没有任何公告的情况下失去该模型、Google One 支持提供无关的故障排除步骤，以及 Google 状态页面显示没有任何问题。第二个帖子“Gemini 3.1 Pro Preview 模型无法在 AI Studio 中用于构建 App”，收集了同样的投诉，其中包括一位用户的编程助手已基于该预览版构建了数月，而他说 Flash 在其代码库上“制造垃圾”。

三点坦率的提醒。这是开发者控制台中的消失，而非已确认的 API 中断：Gemini 3.1 Pro 在我们自己的目录中仍被列出、仍可路由调用，过去七天里它流转了 9470 万个 token。这属于用户报告——谷歌一言未发，因此在谷歌之外，没人能把“悄然弃用”与“容量问题”和“控制台缺陷”区分开来。而且这个时间点也谈不上体面，毕竟该模型自 2026 年 2 月 19 日起就一直处于预览状态——整整七个月，没有公布任何 GA 日期，而谷歌却在它下面接连推出了一整梯队 Flash 模型。另外，GitHub Copilot 已于 2026 年 9 月 1 日停用 Gemini 3.1 Pro，并提前 30 天通知；这是一起不同且无关的事件，但指向同一个方向：一个没有 GA 承诺的预览端点，是一种你有理由为之忐忑的依赖。

我们这边有一个数字值得与那个背景并列提一下，因为我们无法解释它，宁愿如实说明。我们对 Gemini 3.1 Pro 目录条目所做的七天遥测显示，错误率为 80.5%；而同一天上午我们检查的相邻模型——Qwen3.8-Max、Claude Fable 5.1——分别为 5.9% 和 6.9%。我们不知道这是否就是论坛所报告的那个问题，是某个上游提供商糟糕的一周，还是监测假象。请把它当作提交前先运行金丝雀测试的理由，而不是对模型的定论。

同一把尺子，两种分数

这是大多数对比页面都会弄错的部分，所以值得仔细处理。Artificial Analysis 在 Intelligence Index v4.3.2 上为这两个模型评分。我们在 2026 年 9 月 23 日抓取了两者的页面，并且两者都带有相同的修订版本——因此，与大多数跨模型指数说法不同，这一项是同一快照下的比较，差距是真实的。

• Qwen3.8-27B（xhigh）— 智能指数 33.7

• Gemini 3.1 Pro Preview — 智能指数 29.7

Qwen 在当前标尺上领先四分。更难的问题是这意味着什么，因为标尺本身今年至少已经变动了三次。二月，Artificial Analysis 发表了一篇文章，称 Gemini 3.1 Pro Preview 是“AI 领域的新领导者”，领先 Claude Opus 4.6 四分，当时的媒体报道称其在当时的 Index v4.0 上得分为 57。而在 v4.3.2 上，这个分数是 29.7。Artificial Analysis 于 2026 年 9 月 7 日宣布了 v4.3，距 v4.2 仅四天，这次修订用难度高得多的 66 项 Terminal-Bench 4.0 替换了 Terminal-Bench 2.1，并用 AutomationBench-AA 取代了 τ³-Banking。Gemini 3.1 Pro 在二月的优势，存在于新指数已取消或重新加权的那批评估中。所以：不是模型变差了，而是考试变了。但如果你今天要选模型，今天的数字才是你真正能据此行动的数字，而今天的数字青睐 Qwen。

两者真正产生分歧的地方

聚合分数会掩盖差异的形态，而形态才是有用的部分。以下每个数字都来自同一次 9 月 23 日抓取的 Artificial Analysis v4.3.2 页面，两个模型均取自同一版本。

• 推理与知识 — Gemini 明显领先。GPQA Diamond 94.1 对 90.5；Humanity's Last Exam 47.0 对 33.9；SciCode 58.7 对 46.6；CritPt 17.7 对 5.4。

• 真实世界的职业任务——Qwen 领先，且优势明显。GDPval 归一化得分 45.4% 对 13.8%。

• 智能体式银行业务与交易 —— Qwen 领先。τ-Banking 48.0，对比 Gemini 的 21.4。

• 通用基准上的智能体工具调用 — 在未测量 Qwen 的方面，Gemini 领先。Gemini 的 τ²-Bench 得分为 95.6；没有 Qwen3.8-27B 的数值。

• 终端工作——很接近，但两者在新基准上都很差。Terminal-Bench 2.1：Qwen 79.8，Gemini 73.8。Terminal-Bench 4.0：Qwen 5.6%，Gemini 4.0%——两者均为个位数。

• 校准——两页中差异最显著的一项。在 AA-Omniscience 上，Gemini 得分为 31.9，准确率为 54.9%，幻觉率为 50.9%；Qwen 得分为 −10.0，准确率为 15.6%，幻觉率为 30.3%。Gemini 知道得更多，但也有一半以上的时间是编造的；Qwen 经常拒绝回答，而在它确实回答的内容中，约三分之一会出现幻觉。

• 长上下文——在长上下文召回率上完全打平，各为 82.0。在多模态长上下文召回率上，Qwen 为 21.7%，Gemini 为 15.6%。

把“未测量”条目就按它们的本来面目来理解。Gemini 没有发布 GDPval-AA 归一化数值来对标 Qwen 的 45.4%，Qwen 也没有 τ²-Bench、IFBench、Terminal-Bench Hard 或 ITBench-SRE 的数值来对标 Gemini 的 77.1、53.8 和 30.3。那些空白中的每一处，都是汇总表原本会悄悄安插一个赢家的地方。

决定预算的分歧：运行索引的成本相同

Qwen3.8-27B 的每 token 成本要低得多。根据 Artificial Analysis 公布的市场数据，其输入价格为每百万 token 0.50 美元，输出价格为每百万 token 3.00 美元，缓存折扣为 80%，按 7:2:1 混合计算的费率为 0.47 美元。Gemini 3.1 Pro Preview 则分别为 2.00 美元和 12.00 美元——输入价格是前者的四倍，输出价格同样是四倍——缓存折扣为 90%，混合费率为 1.74 美元。

接下来是没人会印出来的那个数字：Artificial Analysis 自己的核算显示，运行整个 Intelligence Index 的成本为Gemini 3.1 Pro Preview 为 $1,310.21，Qwen3.8-27B 为 $1,335.92。Qwen 的运行成本并不更低。它反而略贵一点点，因为它花的时间更长才走到那一步。在 Qwen 的输出账单里，$512.36 花在了推理 token 上，而真正的回答只花了 $82.51；Gemini 这边，$691.82 花在推理上，回答则是 $113.08。按 token 计价是一个费率，而不是账单。

对比表里略去的另外两个定价事实。首先，Gemini 3.1 Pro 的价格按每次请求的输入规模分档：输入 token 不超过 20 万时为 2.00 美元/12.00 美元，超过之后则为4.00 美元/18.00 美元，而缓存读取费用从 0.20 美元翻倍至 0.40 美元。百万 token 的上下文窗口确实存在，但其中最后 80 万个 token 的成本要翻倍。其次，我们自己产品目录中 Qwen3.8-27B 的条目——以 block-FP8 提供服务，视觉塔采用全精度——标价为输入 0.40 美元、输出 4.21 美元，与上述市场数据相比，输入更便宜、输出更贵，而且完全没有公布缓存 token 费率。不同的提供商，不同的构成。请核对你实际将被计费的那档费率。

两个模型都可以通过一个 OrcaRouter 密钥按供应商目录价访问，加价 0%，因此供应商价格变动当天就会落到我们这边，而不是在重新定价周期之后——当两者之一在 200K tokens 处有一个层级边界时，这一点比平时更为重要。

延迟：最快的首个 token 属于较慢的模型

这是整个对比中最具误导性的一组数字，也是读者最有可能据此做出错误举动的一组。

• 首个分块时间——Qwen 4.04 秒，Gemini 28.37 秒。Qwen 看起来快了七倍。

• 到达实际答案的时间 — Gemini 28.37 秒 vs Qwen 52.52 秒。Gemini 大约以 1.8 倍的优势胜出，因为 Qwen 在首个数据块与首个答案 token 之间花了 48.48 秒进行思考。

• 输出速度——Gemini 每秒 116.5 个 token，而 Qwen 为 41.3 个。一旦开始生成，Gemini 的速度就是 Qwen 的 2.8 倍，而 Artificial Analysis 给出的对比基准中位数为每秒 95.4 个 token。Qwen 自己的页面也将其称为“明显缓慢”。

如果你的产品会向用户流式输出首个 token，那么 Qwen 主打的延迟数字就是一句你只会对自己说一次的谎言。如果你的产品要等完整答案到手才返回，那 Gemini 才是更快的模型。这两个数字都出自 Artificial Analysis 的实测；两者都是在 Qwen 的 xhigh effort 档位下测得的，而这正是模型卡的默认设置。

这个默认设置在从业者中一直广受诟病，而模型卡也半承认了这一点。Qwen3.8-27B 提供了一个 reasoning_effort 参数，包含三个级别——xhigh（默认值，“适用于需要深入分析的复杂任务”）、medium 和 low。截至九月的社区文章报告称，xhigh 会产生极长的思考阶段，并建议降至 medium 或 low，并限制推理预算。阿里巴巴自家的模型卡也提醒，在多轮智能体工作中，降低努力程度“并不总能缩短整体任务完成时间”——对模型卡而言，这是一句坦诚的话，也是一个警告：显而易见的修复方案并不总是真正的修复方案。

上下文：1M 对比 262K，以及实际能装下什么

Gemini 3.1 Pro 拥有 1,000,000 token 的上下文窗口，最大输出为 65,536 token。Qwen3.8-27B 原生支持 262,144 token，并可通过 YaRN 缩放扩展至 1,000,000，建议在其中分别分配预算：推理内容最多 262,144 token，最终响应最多 131,072 token。

两条诚实的脚注。Artificial Analysis 的规格表将 Qwen 的窗口列为 256,000，而其自己的 FAQ 文本写的是 260K，模型卡上写的则是 262,144——这些是同一个数字上的舍入差异，但请引用 262,144，因为模型卡上写的就是这个。而扩展到 1M 是一种缩放技术，与原生百万 token 窗口不是一回事：在 YaRN 扩展模型上的 1M 长上下文召回，并不是 82.0 AA-LCR 数值所衡量的内容。还没有人发布 Qwen3.8-27B 的 1M 上下文召回分数。把 Gemini 的窗口视为在完整长度下有实测行为的那一个，而把 Qwen 的窗口视为你在围绕它做设计之前应自行测试的那一个——并记住，当输入 token 超过 200K 后，Gemini 的价格会翻倍。

智能体工作与工具调用

这正是胜负真正难分之处，也是硬要造出一个赢家既容易又错误的地方。Qwen3.8-27B 拥有 Gemini 所缺乏的实测智能体分数，反之亦然。

Qwen 的理由建立在两个强劲的数字之上：一个是独立评测数字，一个是厂商自报数字。独立的数字是 τ-Banking 上的 48.0，而 Gemini 为 21.4——在同一版本上、在同一个关于银行环境中多步工具使用的基准上，高出一倍还多。厂商的数字是阿里巴巴自家的成绩单，其中列出 OSWorld-Verified 84.3、WebArena-Verified 64.8、AndroidWorld 81.9、CoWorkBench 70.7、JobBench 33.4 以及 Agents' Last Exam 20.4 Pass@1。这些是阿里巴巴自己的评测，没有任何其他人重新跑过，而它们恰好落在这样一些类别中：在这些类别里，独立测得的 GDPval 结果（归一化后 45.4% 对 13.8%）指向同一方向。

Gemini 的优势在于，它拥有对比中唯一一个绝对数值很高的智能体（agentic）分数——τ²-Bench 95.6——而 Qwen 完全没有 τ²-Bench 分数。它在指令遵循方面还有 IFBench 77.1，而 Qwen 这边同样是空白。并且它还有七个月的生产记录，而一个发布仅五周的开源权重版本并不具备这一点。

决胜因素不是分数，而是你的拓扑结构。Qwen 的智能体优势是在一些基准测试上衡量的，在这些测试中，模型要在它未曾设计的大型现有软件系统内部运行。Gemini 的则是在模型必须长时间精确遵循指令的基准测试上衡量的。这些是不同的技能，而且两者都是真实的。

编码

编程能力的分化也是如此，这就是为什么“谁更擅长代码”在这里没有明确的答案。Gemini 在科学计算这一端领先——SciCode 58.7 对 46.6——而它在我们的目录页上 68.8 的 AA Coding Index 与 Qwen 的 68.1 相差不到一个舍入误差，完全落在任何值得引用的置信区间之内。在智能体终端任务上，两者在较旧的基准测试中很接近，Terminal-Bench 2.1 上 Qwen 79.8 对 Gemini 73.8；而在更新的基准测试中则难以区分，两者都跌至个位数。

阿里巴巴的模型卡宣称的分数要高得多——SWE-bench Pro 61.7、LiveCodeBench v6 90.3、QwenSWEBench 79.0——但这些都属于厂商自报数据，而且模型卡脚注指出，SWE-bench Pro 和 QwenSWEBench 是在 Claude Code 测试框架中运行的，而竞争对手的数字不会使用这个框架。稳妥的说法是，在第三方对两家实验室的模型都测过的唯一一个编程基准上，两者在 Terminal-Bench 2.1 上相差 4 分，在 Terminal-Bench 4.0 上相差 1.6 分，而且两者在更难的那个基准上都表现糟糕。

开放权重与预览端点对比

这正是两者完全无法相提并论的一个维度，也是具有最大实际影响的一个。

Qwen3.8-27B 采用 Apache 2.0 许可，拥有 270 亿稠密参数、64 层，并以约 3:1 的比例混合了 Gated DeltaNet 线性注意力与全注意力——正是这种设计让 262K 窗口的部署变得可负担。它能跑起来。量化到 4 比特后，它大约占用 17GB，正好是一块消费级 GPU 的容量；五周之内，一整套压缩生态便围绕它生长起来，从 Unsloth 的 Dynamic V3 量化（其中包括一个 1 比特版本，Unsloth 称其能在 8GB 内运行，精度约为原版的 77%），到九月中旬 PrismML 的 Ternary Bonsai 2 27B。你可以对它进行微调，可以审计它，还可以在拔掉网线的笔记本上运行它。

Gemini 3.1 Pro 是一个封闭预览端点，已存在七个月，却没有正式发布（GA）日期；它的模型卡明确警告称，预览版可能不具备稳定版那样的稳定性、可用性和支持；而截至本周，它似乎已悄然退出了某个开发者控制台。你无法下载它，无法固定某个版本，也无法故障转移到你自己那里。

如果你想要的是诚实的路由答案，而不是一个裁决：开放检查点的存在，才让对 Gemini 的依赖变得可以承受。把 Qwen3.8-27B 放在本地或自托管路径后面作为回退，让 Gemini 3.1 Pro 留在主路径上，负责它可衡量地更擅长的重推理工作，并把两者都置于一个带自动故障转移的端点之后，这样，从别人的控制台里悄然消失，就会成为你的路由层所吸收的一起事件，而不是你的用户所看到的服务中断。这不是在为某个产品做推销——这是唯一一种配置，能让本周的新闻不让你付出一个周末的代价。

如果……请选择 Gemini 3.1 Pro

• 你最艰巨的工作是知识密集型推理，而非长时程工具使用——这使 GPQA Diamond 的成绩从 94.1 降至 90.5，Humanity's Last Exam 从 47.0 降至 33.9，SciCode 从 58.7 降至 46.6，CritPt 从 17.7 降至 5.4。

• 你需要真正超长的输入。一个经过实测的百万 token 窗口，其召回表现已在长上下文下得到验证，胜过靠技术手段扩展到 262K 的窗口——前提是你能接受输入超过 200K token 后价格翻倍。

• 完整回答的耗时比首个 token 的耗时更重要，而且你想要的是每秒 116.5 个 token，而不是 41.3 个。

• 如今你需要广泛的多模态能力：音频、文件、图像、文本和视频输入，以对应 Qwen 的文本、图像和视频。

• 你愿意接受预览风险，并且你有自己可控的回退方案。

如果……请选择 Qwen3.8-27B

你的智能体在现有大型系统内部运行——τ-Banking 的 48.0 到 21.4，以及归一化后的 GDPval 45.4% 到 13.8%，是本次比较中任何地方最大的两项单模型优势。

• 你需要一个诚实而非自信的答案。30.3% 的幻觉率，相较 Gemini 的 50.9%，是一种不同的产品。

• 许可或数据驻留规定排除了{{1}}闭源{{/1}} API，或者你需要基于自己的数据进行微调。

• 你希望每个 token 的账单只有 Gemini 的四分之一，并接受把省下来的差额花在思考 token 上——这个索引在两者上的运行成本相同。

• 你准备将 reasoning_effort 从默认的 xhigh 调低，而不是直接照原样发布。

我们无法验证的内容

必须说明的是，而且对比页面的价值恰恰取决于其留白之处：目前尚未发布针对 Qwen3.8-27B 在降低推理投入下的独立评测，因此它在中等和低档位下的速度与质量权衡尚无实测数据。对于经 YaRN 扩展的 1M 配置，也不存在长上下文召回分数。Gemini 3.1 Pro 没有已发布的 GDPval-AA 归一化分数，Qwen3.8-27B 也没有 τ²-Bench、IFBench 或 ITBench-SRE 的分数。而且没有人——包括 Google——说明过 Gemini 3.1 Pro 为何于 9 月 18 日从 AI Studio 选择器中消失。一旦上述任何一项发生变化，我们都会更新本页面。