Kan jag köra Gemini 3.1 Pro Preview lokalt?

Nej — Google har inte släppt öppna vikter för denna modell, så den är endast tillgänglig via API.

Vad kostar Gemini 3.1 Pro Preview och hur stort är dess kontext?

Den kostar $2,00 per miljon inmatningstokens och $12,00 per miljon utmatningstokens, med ett kontextfönster på 1 048 576 tokens.

Hur skiljer sig Gemini 3.1 Pro Preview från basmodellen Gemini 3 Pro?

Uppdateringen 3.1 ger mätbara förbättringar på SWE-benchmarks, starkare agentpålitlighet i strukturerade domäner som finans och kalkylblad, förbättrad token-effektivitet och en ny medelnivå för tänkande som låter dig balansera kostnad mot resonemangsdjup.

▲

2.3%

den här veckan

Gemini 3.1 Pro Preview

8206°

#llm #google #vision #ljud #video #resonemang

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Google | 1 048 576 tokens kontext | $2.00/M indata, $12.00/M utdata. Gemini 3.1 Pro Preview är Googles toppmoderna resonemangsmodell, som levererar förbättrad mjukvaruutvecklingsprestanda, ökad agentpålitlighet och effektivare tokenanvändning i komplexa arbetsflöden. Bygger på den multimodala grunden i Gemini 3-serien och kombinerar högprecisionsresonemang över text, bild, video, ljud och kod med ett 1M-token kontextfönster. Resonemangsdetaljer måste bevaras vid flerstegs verktygsanrop, se vår dokumentation här: https://openrouter.ai/docs/use-cases/reasoning-tokens#preserving-reasoning.…Google | 1 048 576 tokens kontext | $2.00/M indata, $12.00/M utdata. Gemini 3.1 Pro Preview är Googles toppmoderna resonemangsmodell, som levererar förbättrad mjukvaruutvecklingsprestanda, ökad agentpålitlighet och effektivare tokenanvändning i komplexa arbetsflöden. Bygger på den multimodala grunden i Gemini 3-serien och kombinerar högprecisionsresonemang över text, bild, video, ljud och kod med ett 1M-token kontextfönster. Resonemangsdetaljer måste bevaras vid flerstegs verktygsanrop, se vår dokumentation här: https://openrouter.ai/docs/use-cases/reasoning-tokens#preserving-reasoning. Uppdateringen 3.1 introducerar mätbara förbättringar i SWE-benchmarks och verkliga kodningsmiljöer, tillsammans med starkare autonom uppgiftsexekvering i strukturerade domäner som finans och kalkylbladsbaserade arbetsflöden. Designad för avancerad utveckling och agentbaserade system, förbättrar Gemini 3.1 Pro Preview långsiktig stabilitet och verktygsorkestrering samtidigt som token-effektiviteten ökar. Den introducerar en ny medium tänkenivå för att bättre balansera kostnad, hastighet och prestanda. Modellen utmärker sig i agentkodning, strukturerad planering, multimodal analys och arbetsflödesautomatisering, vilket gör den väl lämpad för autonoma agenter, finansiell modellering, kalkylbladsautomation och högkontextföretagsuppgifter.

Guider för denna modell

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

De 10 billigaste ChatGPT-alternativen 2026: gratis lokala modeller, gratisnivåer och fastprisplaner

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Gemini 3.1 Pro Preview är Googles avancerade resonemangsmodell med ett kontextfönster på en miljon tokens och full multimodal kapacitet över text, bild, video, ljud och kod. Uppdateringen 3.1 skärper prestandan inom mjukvaruutveckling, lägger till en medelnivå för tänkande för att balansera kostnad mot djup, och förbättrar verktygsorkestreringen för långvariga agentuppgifter. Den passar utvecklare och team som bygger autonoma agenter, finansiella arbetsflöden eller allt som kräver uthålligt resonemang över stora, blandade medier.

Känd för

Mätbara förbättringar på SWE-benchmarks och stark verklig kodprestanda
En miljon tokens kontext för stora kodbaser, dokument eller flerstegsarbetsflöden
Pålitlig verktygsorkestrering över långsiktiga agentuppgifter
Multimodala indata: text, bild, video, ljud och kod i en och samma modell
Ny medelnivå för tänkande som balanserar kostnad, hastighet och resonemangsdjup

Se upp för

Endast slutna vikter — ingen lokal distribution, ingen egen hosting.
Utdata kostar $12 per miljon tokens; resonemangsintensiva agentkörningar kan snabbt bli dyra.
Flerstegs verktygsanrop kräver att Reasoning Details bevaras, annars bryts kedjan.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Syn

Promptar att prova

Agentisk kodgranskningsplan

Du granskar en Python-mikrotjänst som hanterar betalningswebhooks. Skissa en steg-för-steg-plan för att granska den för säkerhetsproblem, skriv sedan de två första granskningsfunktionerna: en som kontrollerar om HMAC-signaturvalidering saknas och en som flaggar rå SQL-strängkonkatenering. Förklara varje funktions logik under tiden.

Automatiseringsskript för kalkylblad

Skriv ett Python-skript med openpyxl som läser en arbetsbok kallad sales_data.xlsx, hittar varje blad vars namn börjar med 'Q', summerar värdena i kolumn C för rader där kolumn A inte är tom, och skriver ett sammanfattningsblad som listar varje kvartalsnamn och dess total. Inkludera felhantering för saknade kolumner.

Resonemang över långt dokument

Jag klistrar in en lång finansiell rapport nedan. Identifiera de tre största riskfaktorerna företaget redovisar, förklara hur var och en kan påverka fritt kassaflöde under de kommande två åren, och flagga eventuella interna motsägelser mellan riskavsnittet och framtidsprognosen. Var specifik med sidreferenser om de förekommer i texten.

Jämför med

Gemma 4 31B
Öppen vikt-modell
262,144 tokens kontext · $0.20/M indata, $0.40/M utdata
Gemma 4 26B A4B
Öppen vikt-modell
262,144 tokens kontext · $0.09/M indata, $0.30/M utdata
gemma 4 31B it turbo
Öppen vikt-modell
262,144 tokens kontext · $0.09/M indata, $0.34/M utdata
Gemini 3.8 Flash
Endast API-modell
1,048,576 tokens kontext · $0.83/M indata, $4.12/M utdata

Fler textmodeller från google

Vanliga frågor

Kan jag köra Gemini 3.1 Pro Preview lokalt?: Nej — Google har inte släppt öppna vikter för denna modell, så den är endast tillgänglig via API.
Vad kostar Gemini 3.1 Pro Preview och hur stort är dess kontext?: Den kostar $2,00 per miljon inmatningstokens och $12,00 per miljon utmatningstokens, med ett kontextfönster på 1 048 576 tokens.
Hur skiljer sig Gemini 3.1 Pro Preview från basmodellen Gemini 3 Pro?: Uppdateringen 3.1 ger mätbara förbättringar på SWE-benchmarks, starkare agentpålitlighet i strukturerade domäner som finans och kalkylblad, förbättrad token-effektivitet och en ny medelnivå för tänkande som låter dig balansera kostnad mot resonemangsdjup.

Kaptens omdöme
En seriös agent- och kodningsmodell — miljon-tokenfönstret och förbättrad verktygsorkestrering är verkliga, men håll koll på din utgiftsnota.

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Popularitetstrend för Gemini 3.1 Pro Preview

Värmenpoäng sedan 19 Feb 2026

Värmescore

8,206°

Den här veckan

▲

2.3%

8,202° då, 8,206° nu

Den här månaden

▲

11.1%

8,189° då, 8,206° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,206°

OpenRouter-token

104,717,102,519 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 10,471; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 8,206°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
10,471 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,206°
8,206°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
8,206°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Gemini 3.1 Pro Preview är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm google vision ljud video resonemang kodning agenter

Bläddra efter modellfamilj