Google 在模型评估中提供了多项基准测试结果。Gemini 3.1 Pro 在以下测试中得分高于 Gemini 3 Pro（括号内为 Gemini 3 Pro 对应分数，所有结果基于 2026 年 2 月数据，使用指定思考模式或无工具设置）：
Humanity's Last Exam（学术推理，全集，文本+多模态，无工具）：44.4%（37.5%） ARC-AGI-2（抽象推理谜题，ARC Prize Verified）：77.1%（31.1%） GPQA Diamond（科学知识，无工具）：94.3%（91.9%） Terminal-Bench 2.0（代理终端编码，Terminus-2 harness）：68.5%（56.9%） SWE-Bench Verified（代理编码，单次尝试）：80.6%（76.2%） LiveCodeBench Pro（竞争性编程，Elo 分数）：2887（2439） MMMLU（多语言问答）：92.6%（91.8%） MRCR v2（长上下文，128k 平均）：84.9%（77.0%）
在多模态理解（MMMU-Pro，无工具）上得分为 80.5%（Gemini 3 Pro 为 81.0%）。在代理工具使用和长上下文等类别中，多数指标也有相应变化。Google 同时提供了与其他模型（如 Claude Sonnet 4.6、Opus 4.6 及 GPT 系列）的比较数据。 模型卡指出，Gemini 3.1 Pro 在前沿安全框架评估中未达到关键能力水平（CCL）警戒阈值，包括 CBRN、cyber 等风险领域。安全评估显示，与 Gemini 3 Pro 相比，部分指标有小幅变化。