← 返回 Blog
UseAIAPIAI API2min

Gemini 3.1 Pro ARC-AGI-2 飙到 77.1%，Deep Think 到底是真推理还是营销词？

2026 年 2 月，Gemini 3.1 Pro 在 ARC-AGI-2 上拿下 77.1%，较上代 Gemini 3 Pro 的 31.1% 直接翻倍。技术圈反应两极：一边刷屏"推理能力翻倍"，另一边冷言"这分数到底靠不靠谱"。 两种观点各有道理，但都不够完整。

GeminiGemini 3.1 Pro

ARC-AGI-2 跑出 77.1%，Gemini 3.1 Pro 这波是真突破还是数字游戏？

2026 年 2 月，Gemini 3.1 Pro 在 ARC-AGI-2 上拿下 77.1%，较上代 Gemini 3 Pro 的 31.1% 直接翻倍。技术圈反应两极：一边刷屏"推理能力翻倍"，另一边冷言"这分数到底靠不靠谱"。

两种观点各有道理，但都不够完整。

一、ARC-AGI-2 测的到底是什么

先把基准本身讲透。ARC-AGI-2 核心考抽象推理——模型碰到来没见过的全新逻辑规则时，能否仅靠少量示例归纳隐藏规律并作答。它和编程题不一样，编程题可以靠训练集"背答案"，但这套基准每道题都是独一无二的新范式。

本轮成绩：Gemini 3.1 Pro 77.1%、Claude Opus 4.6 68.8%、GPT-5.2 52.9%。单看这张榜，3.1 Pro 确实和竞品拉开一截。

但有个极易被忽略的漏洞：同一模型、同一基准，不同机构测出来差很多。独立测评平台 LayerLens 对同一款 3.1 Pro 跑 ARC-AGI-2，得出 92.3%——和 77.1% 相差 15 个百分点。

📌 说明 ARC-AGI-2 的人为可调空间不小：测试集版本、提示词策略、解码参数，任意一项动一动，分数就能飘十多分。

所以 77.1% 有参考价值，但不能当定论。

二、"深度思考"是营销噱头吗

谷歌给 3.1 Pro 的定位是轻量化深度思考模型（Deep Think Mini），把旗舰 Deep Think 的推理能力下放到了基础版本。这里有个容易混的点要先厘清：

  • Gemini 3.1 Pro：API 定价 ≤200K Token 为 2/12​ 每 M tok，>200K 为 4/18

  • Gemini Deep Think：走 AI Ultra 订阅（99.99–199.99/月）或API预估∗∗15 / $60**​ 每 M tok，约为 3.1 Pro 的 10 倍

也就是说，3.1 Pro 和 Deep Think 是两条独立产品线。3.1 Pro 只是复用了 Deep Think 的架构思路，不等于花 $2 买到了 10 倍定价的推理性能——这点谷歌自己也没这么宣称，是社区传歪的。

本次实打实的升级，是推理档位从两档扩到三档：Low / Medium / High，分别对应日常问答、中等逻辑、复杂推演。切到 High 后，3.1 Pro 会并行铺多条推理路径，内部交叉验证再出最优解，这套逻辑和 Deep Think 同源。

这不是把"推理深度"当黑盒，而是把它交回给用户调控。在接口端动态配算力，比在多款专用模型间切来切去实用。

三、77.1% 背后的真实能力画像

单看 ARC-AGI-2，容易觉得 3.1 Pro 已到天花板；但 22 项主流基准横扫一圈，能力并不均衡。

优势赛道：科学推理断层领先

  • GPQA Diamond（研究生级科学推理）94.3%，超 GPT-5.2 的 92.4%

  • 无工具模式 Humanity's Last Exam 44.4%，大幅领先 GPT-5.2（34.5%）

  • SWE Bench Verified 80.6%，高于 Claude 系的 72.6%

短板赛道：SQL 与数据分析拉胯

  • BIRD-RITIC 数据库测评仅 32.5%，多表关联、子查询、隐性数据规律推导几乎全线崩

  • SWE Bench Lite 48.7%，仓库级大规模重构仍有大把提升空间

  • Terminal Punch 2.0 工程场景 68.5%，不及 GPT-5.3 代码专用模型的 77.3%

四、"锯齿状智能"才是最该警惕的

斯坦福《2026 年度 AI 指数报告》里有组冲击力的数据：同一模型能证复杂数学，但读模拟钟表准确率只有 50.1%。苹果研究院的补充实验进一步印证——题目符号、数字一换，模型正确率就滑坡，底层仍是模式匹配，不是真理解抽象。

ARC-AGI-2 的 77.1% 确实证明 3.1 Pro 在抽象推理上迈了一大步，但单赛道高分 ≠ 综合全能。高德纳那句评价很克制："持续稳步提升，但尚未出现颠覆性质变。"

Epoch AI 还点出一个更值得盯的趋势：2026 年起，推理类大模型性能增长可能就到放缓拐点了。OpenAI 训 O3 投入的算力是前代 O1 的 10 倍，强化学习阶段已明显触到收益天花板——意味着推理能力的性能上限，可能比业界预想的来得早。

几句实在话

Deep Think 不是营销概念，它确实重塑了推理逻辑，性能提升可量化验证；但把它吹成"AGI 雏形"言过其实。

77.1% 是真实能力，但更像一块棱镜——只能从单一维度折射 3.1 Pro 的推理优势；换个场景，BIRD-RITIC 的 32.5% 立马露出另一面短板。

回头看 2026 年 2 月这份成绩单，它真正的价值或许不在于"离 AGI 还有多远"，而在于首次把"可调节深度推理"从概念落地成了可部署的生产工具——尤其是 Medium 档位，把 Deep Think 那套并行验证思路下放到 2/12 的价位段，对工程和科研场景意义比分数本身大。

💡 旗舰性能归性能，账单归账单

3.1 Pro 这波最值得企业侧留意的，不是 77.1% 本身，而是推理档位放开后，"可调节"意味着你可以主动控成本——日常 Low、代码 High、复杂推演拉 Medium，不必一刀切全走 Deep Think 的 10 倍价。

但即便 3.1 Pro 本身只要 2/12（≤200K），架不住两件事：一是长上下文一开（>200K 跳 4/18，2M 窗口若后续 3.5 Pro 放开更贵），二是Deep Think 模式一旦误开或智能体长周期连跑，单日 token 消耗跳得比推理还快。再加上 Gemini、Claude Opus 4.8、GPT-5.6、DeepSeek V4 散在四五家，分别对接一次工程成本也不低。

这也是为什么不少团队会把 UseAIAPI​ 作为接入层一并考虑——

  • 模型池齐：Gemini、Claude、ChatGPT、DeepSeek 等海内外最新旗舰同池可调，3.1 Pro / Deep Think / Opus 4.8 / GPT-5.6 不用分别对接；

  • 企业级定制：合规接入、配额管控、日志审计都能谈，比个人中转稳、比自建省人；

  • 价格实：官方价基础上最低 5 折起——3.1 Pro 的 2/12 叠完、长上下文+Deep Think 误开防护+多模型统一账单，月度能再砍近一半。

简单说，77.1% 是谷歌交的答卷，UseAIAPI 解决的是"想用 3.1 Pro / Deep Think 又怕账单和链路两道坎"——海外旗舰 + 国产新锐 + 国内直连 + 官方价 5 折起，对重度使用者和企业来说，这套在 2026 年算是把"可调节深度推理"的生产化最后一环补齐了。