这次，Pro 并不是默认更优的选择。 Gemini 3.6 Flash 不仅比 Gemini 3.1 Pro 便宜，生成速度还超过后者两倍，并且在几乎所有编程与智能体基准测试中取胜。较早推出的 3.1 Pro 只守住了一项优势：在最难的纯推理测试中略胜一筹。我用完全相同的任务测试了两款模型，并在 2026 年 7 月 23 日依据 Google 文档和 Artificial Analysis 再次核对了下文全部价格与规格。
30 秒看完结论
Gemini 3.6 Flash | Gemini 3.1 Pro | 胜出者 | |
|---|---|---|---|
API 价格（每 100 万 token 输入/输出，≤200k） | $1.50 / $7.50 | $2.00 / $12.00 | Flash |
长提示词（>200k tokens） | 价格保持不变 | $4.00 / $18.00 | Flash |
输出速度 | 261 tokens/s | 112 tokens/s | Flash |
编程与智能体基准 | 4 项正面对比全部胜出 | — | Flash |
最高难度推理（GPQA、HLE） | — | 领先 1.3–6.4 分 | 3.1 Pro |
知识截止日期 | 2026 年 3 月 | 2025 年 1 月 | Flash |
发布状态 | 正式可用 | 自 2026 年 2 月起处于预览阶段 | Flash |
如果只看结论：默认选 Gemini 3.6 Flash；只有任务确实需要最高推理上限时，再考虑 3.1 Pro。不想继续读，也可以直接在浏览器聊天中让 Gemini 3.6 Flash 和 Gemini 3.1 Pro 用你自己的提示词正面对比，无需 API Key。下文给出判断依据，也包含一套可复现的三任务测试。
价格差距有多大
Gemini 3.6 Flash 无论提示词长度如何都采用固定价格；Gemini 3.1 Pro 不仅更贵，还额外设置了长提示词价格档位。以下为每 100 万 tokens 的标准 API 定价，核对日期为 2026 年 7 月 23 日：
Gemini 3.6 Flash | Gemini 3.1 Pro | |
|---|---|---|
输入（≤200k） | $1.50 | $2.00 |
输出（≤200k） | $7.50 | $12.00 |
输入（>200k） | $1.50 | $4.00 |
输出（>200k） | $7.50 | $18.00 |
上下文缓存读取（≤200k） | $0.15 | $0.20 |
Batch（输入/输出，≤200k） | $0.75 / $3.75 | $1.00 / $6.00 |
真正容易感知到差异的是输出成本：短提示词下，3.1 Pro 的每 token 输出价格高出 60%；提示词超过 200k tokens 后，溢价最高达到 140%。
即便使用折扣模式，差距也还在。Batch 模式会将两款模型的费率都减半，因此 Pro 依然贵 60%。此外，缓存*存储*按小时收费，在按 token 的读取费用之外另计：Pro 为每 100 万 tokens 每小时 $4.50，Flash 则是 $1.00。按 Google 公布的标价计算，无论是标准、Batch、Priority 还是缓存模式，Pro 都不会成为更便宜的选项。
相同三道任务的实测
价格表默认两款模型消耗相同的 token。为了排除这一假设，我在 2026 年 7 月 22 日通过 OpenRouter，分别使用模型 ID google/gemini-3.6-flash 和 google/gemini-3.1-pro-preview，以 temperature 0 向两者发送了完全相同的三组提示词，每组各运行一次：
1. 代码：编写一个 Python merge_intervals 函数，包含文档字符串和使用示例。2. 推理：解决一道需要使用时间与速度代数的双列车追及应用题。3. 提取：从一段杂乱的团队消息中提取待办事项，并输出 JSON 数组。
任务 | Flash 延迟 | Pro 延迟 | Flash 成本 | Pro 成本 |
|---|---|---|---|---|
代码 | 2.4s | 4.5s | $0.0085 | $0.0102 |
推理 | 1.9s | 2.4s | $0.0082 | $0.0118 |
提取 | 1.3s | 2.6s | $0.0049 | $0.0057 |
合计 | 5.65s | 9.48s | $0.0215 | $0.0277 |
*总计由原始毫秒级和 token 日志计算得出；各任务行进行了四舍五入，因此按列相加可能相差 0.01。*
两款模型都正确完成了三项任务：区间合并无误、追及时间正确、JSON 输出干净规范。区别只在于，得到这些答案的成本不同。
Flash 生成的 token *反而更多*：OpenRouter 的用量元数据显示为 2,843 对 2,285，两边大部分都是内部推理 token；但它最终仍然便宜 22%，端到端速度快 40%。Pro 更高的输出单价和更慢的生成速度，抵消了它回答更简短的优势。对于智能体循环这类每一步都要重新承担延迟的场景，差距还会进一步累积。
三条小提示词只能算抽样检查，不是基准测试，具体百分比应仅作示意参考。但结果方向与更大规模测量一致，接下来就看这些数据。
编程与智能体基准：Flash 全胜
从公开的正面对比数据来看（Artificial Analysis），3.6 Flash 在编程、机器学习工程和终端操作任务上全面超过较早的 3.1 Pro：
基准测试 | Gemini 3.1 Pro | Gemini 3.6 Flash |
|---|---|---|
DeepSWE v1.1 | 12% | 49% |
MLE-Bench | 42.6% | 63.9% |
SWE-Bench Pro | 54.2% | 58.7% |
Terminal-Bench 2.1 | 73.8% | 78.0% |
差距最大的是 DeepSWE，Flash 为 49%，Pro 仅为 12%。Flash 在多模态推理上也略高于 Pro，MMMU-Pro 得分为 83.2% 对 82.4%；在 Artificial Analysis Intelligence Index 综合指数中同样领先，得分为 50 对 46。
速度表现也呈现相同趋势。截至 2026 年 7 月 23 日，Artificial Analysis 测得 Flash 的输出速度为 261 tokens/second，3.1 Pro 为 112，也就是 2.3 倍；在其标准工作负载下，首 token 时间分别为 12.8s 和 31.2s。首 token 数据包含了两款模型正式开始回答前的思考时间，因此我上面的短任务能更快结束。放到完整排行榜中看，Flash 同时跻身三项指标的前列：
长上下文方面有一点需要区分清楚。两款模型都支持 100 万 token 输入，但在极限长度下，Flash 的*检索定位*能力明显更强：100 万 tokens 的 MRCR 检索得分为 54%，而 Pro 不足 27%；不过 Pro 在*基于长输入进行推理*时略胜一筹，下一节会具体说明。
Gemini 3.1 Pro 仍有优势的场景
客观来说，作为旗舰模型的 3.1 Pro 仍在三项基准上领先，而且都是高难度知识与推理测试。
基准测试 | Gemini 3.1 Pro | Gemini 3.6 Flash |
|---|---|---|
GPQA Diamond（博士级科学题） | 94.1% | 92.8% |
Humanity's Last Exam（无工具） | 44.7% | 38.3% |
AA-LCR（长上下文推理） | 72.7% | 69.7% |
在 GPQA 和长上下文推理上，差距不大；Humanity's Last Exam 上的领先幅度则更明显。Google 对 3.1 Pro 的定位正是如此：“需要广泛世界知识，以及跨模态高级推理能力的复杂任务。”如果你的工作负载正处于这一前沿区间，例如研究级科学问题，或围绕长文档展开的多步骤推理，那么这部分能力余量确实存在，也值得为之付费。
不过，实际使用中还有两点不利因素：
知识更新较旧。Pro 的知识截止日期是 2025 年 1 月，比 Flash 的 2026 年 3 月早了十四个月。换句话说，这款旗舰模型对当下世界的了解反而少于预算型模型。
仍处预览阶段。自 2026 年 2 月发布至今五个月后，3.1 Pro 在 Google 定价页上仍标注为 Preview，模型 ID 本身也是
gemini-3.1-pro-preview；Flash 则作为当前稳定默认模型提供。
不同任务该怎么选
优先选 Gemini 3.6 Flash：适合编程智能体、终端和计算机操作自动化、机器学习工程任务、大规模信息提取或分类、对延迟敏感的应用，以及长文档检索。按公开数据，它在这些方面都更便宜、更快、知识更新，也有更高得分。
在特定情况下选 Gemini 3.1 Pro：当任务属于前沿推理，例如博士级科学问题、针对长输入的多步骤分析，并且几个基准分的差异比成本、速度和知识新鲜度更重要时。也要预留应对 Preview 阶段变化的空间：预览版模型 ID 可能在稳定版上线时被改名或下线。
这项对比无法替你确定两件事：模型在你特定工具调用模式下的可靠性，以及它在你所在领域边缘案例上的输出质量。
两款模型均通过同一套 Gemini API 提供服务，因此最省钱的判定方式，就是将你最常用的十条提示词分别跑一遍。我上面的三任务脚本运行大约只需一分钟。
如何使用两款模型
两款模型都可通过 Gemini API 和 Google AI Studio 使用，对应模型 ID 为 gemini-3.6-flash 与 gemini-3.1-pro-preview。在正式投入前，AI Studio 的免费层级已经足够让你并排测试两者。
如果你已经在使用模型聚合平台，OpenRouter 和 AIReiter 都能通过一个 Key 按 Google 标价提供这两款模型——我上面的 A/B 测试就是这样完成的。
常见问题
Gemini 3.6 Flash 比 3.1 Pro 更好吗？
对大多数生产环境任务来说，是的。它在编程、智能体、机器学习、计算机操作和多模态基准上取胜，成本更低，运行速度也快 2.3 倍。3.1 Pro 仅在 GPQA Diamond、Humanity's Last Exam 和长上下文推理上保持领先，领先幅度为 1.3 到 6.4 分。
Gemini 3.6 Flash 比 3.1 Pro 便宜吗？
是的，所有模式下都是如此。标准 API 的输出价格为每 100 万 tokens $7.50 对 $12.00；提示词超过 200k tokens 后，差距扩大为 $7.50 对 $18.00；Batch 模式下 Pro 仍保有同样的 60% 溢价。Pro 的缓存存储成本则高出 4.5 倍。
Gemini 3.6 Flash 和 3.1 Pro 哪个更快？
Flash 的生成速度约为 261 tokens/second，3.1 Pro 为 112 tokens/second（Artificial Analysis，2026 年 7 月 23 日），而且它更早开始输出：在推理密集型工作负载中，首 token 时间为 12.8s 对 31.2s。我的三任务测试中，这最终体现为端到端速度快 40%。
Gemini 3.1 Pro 还值得用吗？
只有在你确实需要它的推理上限，并能够接受一款知识截止于 2025 年 1 月、仍处 Preview 阶段的模型时才值得考虑。对于难度低于这一档位的任务，公开数据没有显示额外成本能换来比 Flash 更好的输出。