Gemini 3.1 Pro

Gemini 3.1 Pro er Googles flagskib i Gemini 3-serien og udkom 1. januar 2026. Den ligger i toppen af familien, hvor Flash-modellerne dækker de hurtigere og billigere niveauer. Valget mellem dem handler i praksis om, hvor meget ræsonnering opgaven kræver, og hvor meget du vil betale per kald.

Modellen er tiltænkt arbejde, hvor input er stort eller blandet. Med et context window på 1.000.000 tokens kan du lægge lange dokumentsamlinger, kodebaser eller video ind i samme prompt uden at skære materialet op først. Det gør den relevant til analyseopgaver, hvor sammenhængen på tværs af hele materialet er selve pointen.

Google offentliggør hverken parameterantal eller sammensætningen af træningsdata. Du kan derfor ikke vurdere modellen ud fra arkitektur, kun ud fra hvordan den opfører sig på dine egne opgaver.

Det store context window ændrer, hvordan du bygger dine prompts. Mange opgaver, der ellers ville kræve RAG eller opdeling i flere kald, kan køres som ét kald med hele materialet vedlagt. Det gør pipelinen enklere, men flytter arbejdet over i at strukturere selve prompten, så modellen kan finde rundt i det, du har givet den.

Prisen er et hensyn, du skal tage tidligt. Input koster 0,002 USD per 1K tokens og output 0,012 USD per 1K tokens, og passerer prompten 200.000 tokens, afregnes input til dobbelt pris og output til halvanden gang. Grænsen er skarp, så det kan betale sig at måle, hvor dine typiske prompts lander, før du sætter noget i produktion.

Modellen udbydes som preview. Det betyder, at adfærd og output kan ændre sig undervejs, og at du bør have regressionstest på dine egne cases frem for at antage stabilitet mellem versioner.

Til klassificering, opsummering af korte tekster, udtræk af felter og andre veldefinerede opgaver er en Flash-model typisk det rigtige valg. Ræsonnering af flagskibsklasse gør ikke en simpel opgave bedre, den gør den bare dyrere og langsommere.

Hvis dine prompts konsekvent ligger over 200.000 tokens, bør du overveje, om du reelt har brug for at sende alt materialet med. Filtrering, indeksering eller RAG kan holde dig under grænsen og dermed uden for den forhøjede takst. Det kræver mere opsætning, men bliver hurtigt billigere ved volumen.

Skal du bruge en model i produktion med krav om stabil adfærd over tid, taler preview-statussen imod. Her kan en ældre, stabil model være mere brugbar, selvom den er svagere på papiret.

Er du allerede bundet til en anden udbyders økosystem med værktøjer, evaluering og logning på plads, er skiftomkostningen reel. Test på dine egne opgaver før du flytter noget, og lad forskellen i resultat afgøre det.