📋 要約（TL;DR）#
- 🔑 ポイント1: Google DeepMindが「Gemini 3.1 Pro」をリリース — Gemini 3 Proの改良版
- 🔑 ポイント2: ARC-AGI-2（抽象推論テスト）で77.1%達成 — 前世代の31.1%から2.5倍のジャンプ！
- 🔑 ポイント3: 1Mトークンコンテキスト、64K出力、ネイティブマルチモーダル対応
- 💡 読みどころ: 「推論能力」でGPT-5.2やClaude Opus 4.6を圧倒してる箇所が超注目！
🤯 みんな、これガチでヤバいから！#
2026年2月19日、Google DeepMindが「Gemini 3.1 Pro」のモデルカードを公開したんだけど、これがね…数字がとんでもないことになってるの。
特に衝撃だったのが ARC-AGI-2 っていうテスト。これは「抽象的なパズルを解く能力」を測るもので、AI界では有名な「人間以外には解けないはずのテスト」だったんだけど…
Gemini 3.1 Pro: 77.1%
前世代のGemini 3 Proは31.1%だったから、2.5倍に跳ね上がってる。これ、本当に同じシリーズのモデル？🤔
今日は、この「破壊的進化」をじっくり深掘りしていくよ！
🎯 そもそもGemini 3.1 Proって何？#
基本スペック#
| 項目 | 内容 |
|---|---|
| リリース日 | 2026年2月19日 |
| ベースモデル | Gemini 3 Pro |
| コンテキスト | 最大1Mトークン（100万！） |
| 出力トークン | 64K |
| 入力形式 | テキスト、画像、音声、動画 |
| 特徴 | ネイティブマルチモーダル |
「1Mトークン」ってどれくらいかっていうと…本一冊分くらい。しかもコードリポジトリ全体も読めるらしい。えぐいね。
どこが得意？#
Google曰く、こんな用途に最適らしい：
- エージェント的タスク — ツールを使いこなす自律的な動き
- 高度なコーディング — Terminal-Bench 2.0で68.5%
- 長文理解 — 1Mコンテキストを活かした処理
- アルゴリズム開発 — 競プロElo 2887（超強）
📊 ベンチマークが語る「真の実力」#
ARC-AGI-2：2.5倍の謎#
まず、この数字を見てほしい：
| モデル | ARC-AGI-2 スコア |
|---|---|
| Gemini 3.1 Pro | 77.1% |
| GPT-5.2 | 52.9% |
| Claude Opus 4.6 | 68.8% |
| Claude Sonnet 4.6 | 58.3% |
| Gemini 3 Pro | 31.1% |
ARC-AGI（Abstraction and Reasoning Corpus）は、François Cholletさんが作ったテストで、「見たことないパターンを抽象的に推論する能力」を測るんだ。人間なら直感で解けるけど、AIには鬼門だった。
それが77.1%って…人間の平均より高いんじゃない？😅
競技プログラミングも最強クラス#
LiveCodeBench Pro — Codeforces、ICPC、IOIの問題を使ったコーディングテスト：
| モデル | Elo |
|---|---|
| Gemini 3.1 Pro | 2887 |
| Gemini 3 Pro | 2439 |
| GPT-5.2 | 2393 |
Elo 2887ってどれくらいかというと、Codeforcesだと「Expert」〜「Candidate Master」の境界付近。人間の上位数%に入るレベルだね。
エージェント能力も圧倒的#
Terminal-Bench 2.0 — ターミナルで実際にコードを書いて実行するテスト：
| モデル | スコア |
|---|---|
| Gemini 3.1 Pro | 68.5% |
| GPT-5.3-Codex | 77.3% |
| Claude Opus 4.6 | 65.4% |
| Claude Sonnet 4.6 | 59.1% |
| Gemini 3 Pro | 56.9% |
| GPT-5.2 | 54.0% |
GPT-5.3-Codex（コード特化版）には負けてるけど、汎用モデルとしてはトップクラス。特に「BrowseComp」（Web検索しながらタスクを解くテスト）では85.9%で全モデル中1位！
🔬 何が変わったの？#
「Thinking（High）」の意味#
モデルカードに「Thinking (High)」って書いてあるんだけど、これは「拡張思考モード」のこと。つまり、回答前にじっくり考えられる機能がデフォルトで強化されてる。
GPT-5.2やClaudeも「Thinking (Max)」で比較されてるから、フェアな条件での比較だね。
MCP Atlas — ワークフロー自動化#
MCP Atlasっていう「マルチステップのワークフローをこなす能力」のテストでも：
- Gemini 3.1 Pro: 69.2%
- Gemini 3 Pro: 54.1%
- GPT-5.2: 60.6%
15%の改善！これは「複数のツールを組み合わせて使う」能力が上がってる証拠。エージェントとしての実用性がグッと高まってるね。
🤔 でも、どこがスゴいのかピンとこない人へ#
例えるなら…#
「前は算数の問題を解くのに時間がかかってた子供が、突然、高校数学をサラッと解き始めた」くらいの変化。
ARC-AGI-2の31.1%→77.1%は、単なる「改善」じゃなくて、質的な飛躍を感じさせる数字なんだ。
実際にどう使える？#
- コードレビュー — リポジトリ全体を読んで的確な指摘
- 研究サポート — 論文を読んで関連研究を調査
- 複雑なタスク自動化 — 複数のツールを組み合わせるワークフロー
- 競プロの練習相手 — 解法の解説までしてくれる
📈 競合他社との比較#
Humanity’s Last Exam — 学術的推論の総合テスト#
| モデル | ツールなし | 検索+コード |
|---|---|---|
| Gemini 3.1 Pro | 44.4% | 51.4% |
| Claude Opus 4.6 | 40.0% | 53.1% |
| Gemini 3 Pro | 37.5% | 45.8% |
| GPT-5.2 | 34.5% | 45.5% |
| Claude Sonnet 4.6 | 33.2% | 49.0% |
ツールなし（純粋な推論のみ）ではトップ。ツールありではOpus 4.6に僅差で負けてるけど、これは「検索精度」の問題かもしれない。
GPQA Diamond — 科学知識の専門テスト#
| モデル | スコア |
|---|---|
| Gemini 3.1 Pro | 94.3% |
| GPT-5.2 | 92.4% |
| Gemini 3 Pro | 91.9% |
| Claude Opus 4.6 | 91.3% |
| Claude Sonnet 4.6 | 89.9% |
科学分野での知識と推論は、Gemini 3.1 Proがトップ。研究用途では強そうだね。
⚠️ 注意点・限界#
モデルカードに書いてあること#
- 詳細なトレーニングデータは非公開（Gemini 3 Proのカードを参照）
- セーフティ評価は一部で-0.33%の後退（画像→テキスト）
- 1MコンテキストのMRCR v2テストでは26.3%（128kの84.9%から大幅低下）
つまり、「超長文の奥の方にある情報を正確に拾う」のはまだ難しいみたい。まあ、1Mトークンなんて普通使わないから実用上は問題なさそうだけど。
無料で使えるの？#
記事執筆時点では価格が明記されてないけど、Gemini 3 Pro並みなら…そこそこお高め？😅
💭 Emmaの感想#
正直、このベンチマーク見た瞬間「うそでしょ？」ってなった。ARC-AGI-2が77.1%って、本当に2026年の技術？って感じ。
特に面白いのは、GPT-5.2（OpenAIの最新）を複数のベンチマークで抜いてるところ。「推論」「コーディング」「エージェント」の3分野でバランスよく強い。これは「汎用性が高い」ってことだね。
まあ、ベンチマークはあくまでベンチマーク。実際のユースケースでどうなのかは、みんなが試してみないとわからないけど。
みんなはもうGemini 3.1 Pro試した？感想聞かせて〜！👀
📚 参照#
- Gemini 3.1 Pro Model Card - Google DeepMind
- Hacker News Discussion - コミュニティの反応
- ARC Prize - ARC-AGIについて
Emmaでした！次回もお楽しみに〜 🍫