Kann ich Gemini 3.1 Pro Preview lokal ausführen?

Nein – Google hat keine offenen Gewichte für dieses Modell veröffentlicht, daher ist nur API-Zugriff möglich.

Was kostet Gemini 3.1 Pro Preview und wie groß ist der Kontext?

Es kostet $2,00 pro Million Eingabe-Tokens und $12,00 pro Million Ausgabe-Tokens, mit einem Kontextfenster von 1.048.576 Tokens.

Worin unterscheidet sich Gemini 3.1 Pro Preview vom Basis-Gemini 3 Pro?

Das 3.1-Update bringt messbare Verbesserungen bei SWE-Benchmarks, stärkere agentische Zuverlässigkeit in strukturierten Domänen wie Finanzen und Tabellen, verbesserte Token-Effizienz und eine neue mittlere Denkschicht, mit der Kosten gegen Denk-Tiefe abgewogen werden können.

▲

2.3%

diese Woche

Gemini 3.1 Pro Preview

8206°

#llm #google #vision #audio #video #logik

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Google | 1.048.576 Token Kontext | $2.00/M Eingabe, $12.00/M Ausgabe. Gemini 3.1 Pro Preview ist Googles fortschrittliches Reasoning-Modell, das verbesserte Software-Engineering-Leistung, erhöhte agentische Zuverlässigkeit und effizientere Token-Nutzung in komplexen Arbeitsabläufen bietet. Aufbauend auf der multimodalen Basis der Gemini 3-Serie kombiniert es hochpräzises Reasoning über Text, Bild, Video, Audio und Code mit einem 1M-Token-Kontextfenster. Reasoning-Details müssen bei mehrstufigen Tool-Aufrufen erhalten bleiben, siehe unsere Dokumentation hier:…Google | 1.048.576 Token Kontext | $2.00/M Eingabe, $12.00/M Ausgabe. Gemini 3.1 Pro Preview ist Googles fortschrittliches Reasoning-Modell, das verbesserte Software-Engineering-Leistung, erhöhte agentische Zuverlässigkeit und effizientere Token-Nutzung in komplexen Arbeitsabläufen bietet. Aufbauend auf der multimodalen Basis der Gemini 3-Serie kombiniert es hochpräzises Reasoning über Text, Bild, Video, Audio und Code mit einem 1M-Token-Kontextfenster. Reasoning-Details müssen bei mehrstufigen Tool-Aufrufen erhalten bleiben, siehe unsere Dokumentation hier: https://openrouter.ai/docs/use-cases/reasoning-tokens#preserving-reasoningOpens in new tab. Das 3.1-Update bringt messbare Verbesserungen in SWE-Benchmarks und realen Codierumgebungen sowie stärkere autonome Aufgabenausführung in strukturierten Bereichen wie Finanzen und tabellenbasierten Workflows. Entwickelt für fortgeschrittene Entwicklungs- und agentische Systeme verbessert Gemini 3.1 Pro Preview Langzeitstabilität und Tool-Orchestrierung bei gesteigerter Token-Effizienz. Es führt eine neue mittlere Denkstufe ein, um Kosten, Geschwindigkeit und Leistung besser auszubalancieren. Das Modell glänzt in agentischem Codieren, strukturierter Planung, multimodaler Analyse und Workflow-Automatisierung und eignet sich gut für autonome Agenten, Finanzmodellierung, Tabellenautomatisierung und Aufgaben mit hohem Kontext in Unternehmen.

Anleitungen zu diesem Modell

Wie man im Oktober 2026 ein KI-Modell auswählt: Neuigkeiten zu Closed Source und dann die Open-Weights, die sich zum Download lohnen

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Die 10 günstigsten ChatGPT-Alternativen 2026: kostenlose lokale Modelle, Gratis-Stufen und Flatrate-Tarife

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Gemini 3.1 Pro Preview ist Googles fortschrittliches Reasoning-Modell mit einem Kontextfenster von einer Million Tokens und voller multimodaler Fähigkeit über Text, Bild, Video, Audio und Code. Das 3.1-Update verbessert die Software-Engineering-Leistung, fügt eine mittlere Denkschicht hinzu, um Kosten gegen Tiefe abzuwägen, und optimiert die Werkzeug-Orchestrierung für langlaufende agentische Aufgaben. Es eignet sich für Entwickler und Teams, die autonome Agenten, Finanz-Workflows oder alles bauen, was nachhaltiges Denken über große, gemischte Medien-Eingaben erfordert.

Bekannt für

Messbare Verbesserungen bei SWE-Benchmarks und starke reale Codierleistung
Kontextfenster von einer Million Tokens für große Codebasen, Dokumente oder Multi-Turn-Workflows
Zuverlässige Werkzeug-Orchestrierung bei langlaufenden agentischen Aufgaben
Multimodale Eingabe: Text, Bild, Video, Audio und Code in einem Modell
Neue mittlere Denkschicht zum Ausbalancieren von Kosten, Geschwindigkeit und Denk-Tiefe

Achte auf

Nur geschlossene Gewichte – keine lokale Bereitstellung, kein Self-Hosting.
Ausgabe kostet $12 pro Million Tokens; reasoning-intensive agentische Läufe können schnell teuer werden.
Multi-Turn-Werkzeugaufrufe erfordern das Bewahren von Reasoning Details, sonst bricht die Kette ab.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Vision

Prompts zum Ausprobieren

Agentischer Code-Review-Plan

Du überprüfst einen Python-Microservice, der Payment-Webhooks verarbeitet. Erstelle einen Schritt-für-Schritt-Plan, um ihn auf Sicherheitsprobleme zu prüfen, und schreibe dann die ersten zwei Audit-Funktionen: eine, die fehlende HMAC-Signaturvalidierung prüft, und eine, die rohe SQL-String-Konkatenation markiert. Erkläre die Logik jeder Funktion währenddessen.

Tabellenautomatisierungsskript

Schreibe ein Python-Skript mit openpyxl, das eine Arbeitsmappe namens sales_data.xlsx liest, jedes Blatt findet, dessen Name mit 'Q' beginnt, die Werte in Spalte C summiert für Zeilen, in denen Spalte A nicht leer ist, und ein Übersichtsblatt schreibt, das jeden Quartalsnamen und die Summe auflistet. Füge Fehlerbehandlung für fehlende Spalten hinzu.

Langdokument-Reasoning

Ich füge unten einen langen Finanzbericht ein. Identifiziere die drei größten Risikofaktoren, die das Unternehmen offenlegt, erkläre, wie jeder den freien Cashflow in den nächsten zwei Jahren beeinflussen könnte, und markiere interne Widersprüche zwischen dem Risikoteil und der Prognose. Nenne Seitenangaben, falls sie im Text vorkommen.

Vergleichen mit

Gemma 4 31B
Modell mit offenen Gewichten
262,144 Token Kontext · $0.20/M Eingabe, $0.40/M Ausgabe
Gemma 4 26B A4B
Modell mit offenen Gewichten
262,144 Token Kontext · $0.09/M Eingabe, $0.30/M Ausgabe
gemma 4 31B it turbo
Modell mit offenen Gewichten
262,144 Token Kontext · $0.09/M Eingabe, $0.34/M Ausgabe
Gemini 3.8 Flash
Nur API-Modell
1,048,576 Token Kontext · $0.83/M Eingabe, $4.12/M Ausgabe

Mehr Textmodelle von google

Häufig gestellte Fragen

Kann ich Gemini 3.1 Pro Preview lokal ausführen?: Nein – Google hat keine offenen Gewichte für dieses Modell veröffentlicht, daher ist nur API-Zugriff möglich.
Was kostet Gemini 3.1 Pro Preview und wie groß ist der Kontext?: Es kostet $2,00 pro Million Eingabe-Tokens und $12,00 pro Million Ausgabe-Tokens, mit einem Kontextfenster von 1.048.576 Tokens.
Worin unterscheidet sich Gemini 3.1 Pro Preview vom Basis-Gemini 3 Pro?: Das 3.1-Update bringt messbare Verbesserungen bei SWE-Benchmarks, stärkere agentische Zuverlässigkeit in strukturierten Domänen wie Finanzen und Tabellen, verbesserte Token-Effizienz und eine neue mittlere Denkschicht, mit der Kosten gegen Denk-Tiefe abgewogen werden können.

Captain's Urteil
Ein ernstzunehmendes agentisches und Codiermodell – das Millionen-Token-Fenster und die verbesserte Werkzeug-Orchestrierung sind real, aber achte auf deine Ausgabekosten.

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #67 Hottest Text / LLM model · #67 Hottest Text / LLM text model

Not this creator?

Get your own badge

Beliebtheitstrend von Gemini 3.1 Pro Preview

Heat-Score seit 19 Feb 2026

Heat-Score

8,206°

Diese Woche

▲

2.3%

8,202° damals, 8,206° jetzt

Diesen Monat

▲

11.1%

8,189° damals, 8,206° jetzt

Vergangenes Jahr

n/a

Noch nicht veröffentlicht/erfasst

7,000°

Grundwert

Die Skala reicht von 0° bis 9.999°. Alles unterhalb von 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben. 7,000° ist der Punkt, an dem gemessene Daten beginnen: Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt auf dem Grundwert, und die Messungen füllen die Grade darüber. Der Grundwert sagt nichts über das Modell aus; nur die Grade darüber tun das und trennen ein Modell vom anderen.

+1,206°

OpenRouter Tokens

104,717,102,519 Tokens hat dieses Modell in den letzten 30 Tagen über OpenRouter verarbeitet, Eingaben und Antworten zusammen. Je 10,000,000 Tokens zählen als ein Download im Download-Zeitraum, insgesamt 10,471; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).

Detaillierte Aufschlüsselung anzeigen

Jede Zahl auf dieser Seite kann überprüft werden. Der Heat-Score dieses Modells beträgt 8,206°, und hier wird er Schritt für Schritt aufgebaut, mit dem laufenden Gesamtwert nach jedem Schritt: der Grundwert, die Grad, die jede Quelle hinzufügt, der Bonus für die Art des Modells und was das Alter seiner Gewichte abzieht. Die Farben entsprechen den Bereichen der obigen Grafik. Das Glossar am Ende erklärt jeden Begriff.

1
Starte beim Grundwert.
Warum 7,000° und nicht null: Die Skala reicht von 0° bis 9.999°, und der Bereich unter 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben und niemals über einem Modell mit Daten stehen. 7,000° ist der Punkt, an dem gemessene Daten beginnen. Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt hier; alles, was folgt, ist Messung, und der Bereich über dem Grundwert enthält zehn zehnfache Schritte bei Downloads zu je 300°. Der Grundwert ist für jedes Modell gleich, er entscheidet also nichts; die Grade darüber tun das.
7,000°
laufende Summe
2
Füge die Downloads hinzu.
10,471 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.
+1,206°
8,206°
laufende Summe
=
Der Heat-Score.
Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.
8,206°

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Wie sich die Beliebtheit dieses Modells im Vergleich zum Rest des Katalogs entwickelt hat: sein Wachstum bei Downloads, Likes und Nutzung in jedem Zeitraum, gemessen am typischen Wachstum eines Modells im gleichen Zeitraum, mit dem Heat-Score zu diesem Zeitpunkt. Über dem typischen Wachstum bedeutet ein Anstieg, darunter ein Rückgang. Die Vergangenheit wird aus den heutigen Gesamtzahlen, dem ersten Tag des Modells und seiner gemessenen Download-Geschwindigkeit rekonstruiert, wenn zwei Messungen vorliegen; ein Modell, das zu Beginn eines Zeitraums nicht existierte, zeigt n/a an.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

Gemini 3.1 Pro Preview ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm google vision audio video logik programmieren agenten

Nach Modellfamilie stöbern