# Gemini 3.1 Pro

> Fiche du modèle de langage Gemini 3.1 Pro sur Quelle IA, édition du 28 septembre 2026. Gemini 3.1 Pro (Google DeepMind) : score IA de 86,0, 35e sur 246. Scores par tâche, prix, exécution locale et liens pour le télécharger ou l'essayer.

Page : https://quelleia.com/modeles/gemini-3-1-pro/
Origine : Google DeepMind · États-Unis · sorti le 19 février 2026

## Score général

- Score IA : 86,0 (marge à 90 % : de 84,4 à 87,7)
- Rang : 35 (Groupe 6, ex æquo)
- Couverture : 100 % du poids des tâches, 44 mesures
- Échelle : 100 pour le meilleur modèle au lancement du site, 50 pour GPT-4o de novembre 2024.

## Scores par tâche

| Tâche | Score | Détail |
| --- | --- | --- |
| Raisonnement | 91,8 | Rang 11 · 100 % |
| Code | 82,1 | Rang 34 · 69 % |
| Agents | 84,7 | Rang 15 · 78 % |
| Usage | 87,6 | Rang 23 · 100 % |
| Maths | 84,7 | Rang 34 · 88 % |
| Sciences | 90,7 | Rang 13 · 80 % |
| Français | 87,1 | Rang 14 · 50 % |
| Vision | 87,9 | Rang 20 · 100 % |
| Écriture | 89,7 | Rang 18 · 100 % |
| Web | 80,8 | Rang 54 · 100 % |

## Artificial Analysis (hors du score)

Artificial Analysis évalue les modèles de son côté et publie son propre indice, l'Artificial Analysis Intelligence Index v4.3. C'est un autre indice, qui ne compte pas dans le score IA de Quelle IA et ne se compare pas directement à lui.

| Version évaluée | Indice v4.3 | Rang chez eux | Vitesse | Premier jeton | Prix par million de jetons (entrée / sortie) |
| --- | --- | --- | --- | --- | --- |
| [Gemini 3.1 Pro Preview](https://artificialanalysis.ai/models/gemini-3-1-pro-preview) | 29,7 | 99e sur 193 | 113,0 jetons/s | 25,1 s | 2 $ / 12 $ |

Médianes de leurs mesures : vitesse en jetons produits par seconde, délai avant le premier jeton en secondes. Prix en dollars par million de jetons, en entrée puis en sortie. Rang parmi les 193 modèles que leur indice classe. Relevé le 1er octobre 2026 sur leur site, reproduit avec leur accord.

Source : Artificial Analysis, https://artificialanalysis.ai/models/gemini-3-1-pro-preview

## Exécution locale

Non. Gemini 3.1 Pro est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

## Fiche technique

- Prix : 2,00 € / 12,0 € (entrée / sortie, par million de jetons)
- Fenêtre de contexte : 1 048 576 jetons (environ 786 000 mots)
- Entrées : Texte, image, vidéo, son, PDF
- Réflexion : Faible, moyenne, élevée (trois niveaux réglables)
- Paramètres : Non communiqué
- Licence : Propriétaire (poids fermés, accès par l'éditeur)
- Classe énergétique : E (sur une échelle de A à G)
- Hébergement en Europe : Possible
- Connaissances jusqu'à : Janvier 2025

## Où le trouver

- Par API : [OpenRouter](https://openrouter.ai/google/gemini-3.1-pro-preview-customtools)
- Par API : [API Google DeepMind](https://ai.google.dev)
- L'essayer : [Gemini](https://gemini.google.com)

## Dans les outils de code

- Disponible dans : [Cursor](https://quelleia.com/outils/#cursor) (inclus), [Devin Desktop (ex-Windsurf)](https://quelleia.com/outils/#devin-desktop) (à l'usage), [Google Antigravity](https://quelleia.com/outils/#antigravity) (inclus), [Zed](https://quelleia.com/outils/#zed) (inclus), [OpenCode](https://quelleia.com/outils/#opencode) (à l'usage), [Droid (Factory)](https://quelleia.com/outils/#factory-droid), [Augment Code](https://quelleia.com/outils/#augment), [Warp](https://quelleia.com/outils/#warp)
- Mesuré dans : [Gemini CLI](https://quelleia.com/outils/#gemini-cli), [OpenCode](https://quelleia.com/outils/#opencode)
- Relevé du 30 septembre 2026 sur la page publique de chaque outil. Un modèle proposé par un outil figure dans la liste que son éditeur publie. Rien n'y est mesuré.

## Mesures

| Benchmark | Tâche | Publié | Niveau suggéré | État | Source |
| --- | --- | --- | --- | --- | --- |
| ARC-AGI-1 | Raisonnement | 98 % | 96,9 | saturé | https://epoch.ai/benchmarks |
| OTIS Mock AIME 2024-2025 | Maths | 95,6 % | 83,4 | saturé | https://epoch.ai/benchmarks |
| OTIS Mock AIME 2024-2025 | Maths | 95,6 % | 83,3 | saturé | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 97,1 % | 104,2 | saturé | https://conceptualreasoning.ai/dtbench |
| GPQA Diamond | Sciences | 94,4 % | 90,5 | actif | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 95,5 % | 97,6 | saturé | https://conceptualreasoning.ai/dtbench |
| GPQA Diamond | Sciences | 94,1 % | 89,7 | actif | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 94,9 % | 95,9 | saturé | https://conceptualreasoning.ai/dtbench |
| Terminal-Bench 2.0 | Code | 80,2 % | 89,4 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Terminal-Bench 2.0 | Code | 78,4 % | 88,5 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Terminal-Bench 2.0 | Code | 78,4 % | 88,5 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| ARC-AGI-2 | Raisonnement | 77,1 % | 90,4 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 77,1 % | 90,4 | saturé | https://epoch.ai/benchmarks |
| METR Time Horizons (taux de réussite) | Agents | 77 % | 89,1 | actif | https://metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/ |
| SWE-bench Verified | Code | 75,6 % | 83,4 | actif | https://epoch.ai/benchmarks |
| SimpleBench | Raisonnement | 79,6 % | 98,0 | actif | https://lmcouncil.ai/benchmarks |
| Terminal-Bench 2.0 | Code | 74,8 % | 86,9 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| SimpleQA Verified | Données | 73,5 % | 103,9 | actif | https://epoch.ai/benchmarks |
| WeirdML (v2) | Code | 72,1 % | 90,6 | actif | https://htihle.github.io/weirdml.html |
| Arena, écriture créative | Écriture | 1 480,3 Elo | 94,7 | actif | https://arena.ai/leaderboard |
| FrontierMath, paliers 1 à 3 (version 2025) | Maths | 36,9 % | 83,9 | actif | https://epoch.ai/benchmarks |
| LMCA | Raisonnement | 53,82 | 91,1 | actif | https://conceptualreasoning.ai/lmca |
| Arena, questions d'experts | Sciences | 1 508,6 Elo | 86,9 | actif | https://arena.ai/leaderboard |
| LMCA | Raisonnement | 52,8 | 90,3 | actif | https://conceptualreasoning.ai/lmca |
| Arena, texte | Usage | 1 487,0 Elo | 89,6 | actif | https://arena.ai/leaderboard |
| Arena, questions de maths | Maths | 1 487,9 Elo | 87,5 | actif | https://arena.ai/leaderboard |
| Arena, questions en français | Français | 1 501,1 Elo | 87,0 | actif | https://arena.ai/leaderboard |
| Arena, questions de code | Code | 1 521,3 Elo | 86,2 | actif | https://arena.ai/leaderboard |
| LMCA | Raisonnement | 51,18 | 89,0 | actif | https://conceptualreasoning.ai/lmca |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 59,6 % | 84,8 | actif | https://epoch.ai/benchmarks |
| Terminal-Bench 2.0 | Code | 59,4 % | 81,1 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| SciCode | Code | 58,9 % | 93,8 | actif | https://artificialanalysis.ai/evaluations/scicode |
| Arena, vision | Vision | 1 279,6 Elo | 88,0 | actif | https://arena.ai/leaderboard |
| BALROG | Agents | 57 % | 92,7 | actif | https://epoch.ai/benchmarks |
| BALROG | Agents | 56,9 % | 92,5 | actif | https://epoch.ai/benchmarks |
| compar:IA | Français | 1 066,0 Elo | 91,4 | actif | https://arene.comparia.beta.gouv.fr/ranking |
| Chess Puzzles | Raisonnement | 55 % | 95,6 | actif | https://epoch.ai/benchmarks |
| Code Arena, WebDev | Web | 1 446,2 Elo | 80,4 | actif | https://arena.ai/leaderboard |
| Vending-Bench 2 | Agents | 3 774 $ | 86,9 | actif | https://epoch.ai/benchmarks |
| DeepResearch Bench | Agents | 47,8 % | 84,8 | actif | https://evals.futuresearch.ai/#drb |
| Chess Puzzles | Raisonnement | 49 % | 93,0 | actif | https://epoch.ai/benchmarks |
| Vending-Bench 2 | Agents | 911 $ | 81,9 | actif | https://epoch.ai/benchmarks |
| DeepResearch Bench | Agents | 44,5 % | 73,0 | actif | https://evals.futuresearch.ai/#drb |
| Humanity's Last Exam | Sciences | 46,4 % | 92,8 | actif | https://epoch.ai/benchmarks |
| EnigmaEval | Raisonnement | 36,8 % | 95,6 | actif | https://labs.scale.com/leaderboard/enigma_eval |
| APEX-Agents | Agents | 35,3 % | 80,8 | actif | https://epoch.ai/benchmarks |
| FrontierMath, palier 4 (version 2025) | Maths | 16,7 % | 85,1 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 34 % | 88,7 | actif | https://epoch.ai/benchmarks |
| FrontierMath, palier 4 (v2) | Maths | 26,8 % | 86,0 | saturé | https://epoch.ai/benchmarks |
| Blueprint-Bench 2 | Vision | 26,5 % | 90,1 | actif | https://andonlabs.com/evals/blueprint-bench-2 |
| ExploitBench | Sécurité | 26,1 % | 85,3 | actif | https://epoch.ai/benchmarks |
| ProofBench | Maths | 26 % | 83,8 | saturé | https://www.vals.ai/benchmarks/proof_bench |
| Mystery Game Puzzles | Raisonnement | 32 % | 87,9 | actif | https://epoch.ai/benchmarks |
| GSO | Code | 22,6 % | 84,1 | actif | https://gso-bench.github.io/index.html |
| PostTrainBench | Agents | 22 % | 82,9 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 29 % | 86,8 | actif | https://epoch.ai/benchmarks |
| CL-bench | Données | 20,8 % | 84,0 | actif | https://epoch.ai/benchmarks |
| ForecastBench | Raisonnement | 59 % | 65,4 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 17,7 % | 89,1 | actif | https://epoch.ai/benchmarks |
| GDP.pdf | Données | 17 % | 86,0 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| GDP.pdf | Données | 17 % | 86,0 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| CL-bench Life | Données | 16,9 % | 86,0 | actif | https://epoch.ai/benchmarks |
| ForecastBench | Raisonnement | 58,1 % | 54,7 | actif | https://epoch.ai/benchmarks |
| ExploitBench | Sécurité | 15,7 % | 79,2 | actif | https://epoch.ai/benchmarks |
| EBR-bench (Earthborne Rangers) | Agents | 14,3 % | 85,8 | actif | https://epoch.ai/benchmarks |
| DeepSWE | Code | 11,7 % | 71,1 | actif | https://deepswe.datacurve.ai/ |
| MirrorCode | Code | 8,9 % | 85,6 | actif | https://epoch.ai/benchmarks |
| GBAEval | Code | 0,8 % | 74,4 | actif | https://gbaeval.com/model/gemini-pro |
| Furniture Assembly | Vision | 26,7 % | 82,4 | actif | https://epoch.ai/benchmarks |

## En bref

**Quel est le score de Gemini 3.1 Pro ?** Gemini 3.1 Pro obtient un score IA de 86,0, avec une marge de 84,4 à 87,7, dans l'édition du 28 septembre 2026. Il est classé 35e sur 246 modèles, à partir de 44 mesures.

**Dans quelles tâches Gemini 3.1 Pro est-il le plus fort ?** Ses deux meilleures tâches sont raisonnement (91,8) et sciences (90,7). Sa tâche la plus faible est web (80,8).

**Gemini 3.1 Pro peut-il tourner en local ?** Non. Gemini 3.1 Pro est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

**Combien coûte Gemini 3.1 Pro ?** 2,00 € par million de jetons en entrée et 12,0 € en sortie, au tarif affiché par les fournisseurs. Le coût réel d'une tâche dépend du nombre de jetons que le modèle consomme.

**Qui édite Gemini 3.1 Pro ?** Gemini 3.1 Pro est édité par Google DeepMind (États-Unis), et il est sorti le 19 février 2026. C'est un modèle fermé.

Source : Quelle IA, édition du 28 septembre 2026. https://quelleia.com