Gemini 3.1 Pro liefert laut Google DeepMind 90,99 Prozent in MMLU-Pro, 80,6 Prozent in SWE-bench Verified und 112 Tokens pro Sekunde Ausgabegeschwindigkeit. Das Kontextfenster fasst 2 Millionen Tokens. Der Preis liegt bei 2 US-Dollar pro Million Input-Tokens und 12 US-Dollar pro Million Output-Tokens unter 200K Kontext, darüber bei 4 und 18 US-Dollar. Das ist Googles bisher stärkstes Modell, und es ist in den meisten aggregierten Benchmarks konkurrenzfähig.
Es hat aber eine dokumentierte Schwäche, die in der Modellwahl untergeht, wenn man nur auf die Headline-Zahlen schaut. Bei Dokumenten zwischen 10.000 und 100.000 Tokens sinkt die Retrieval-Genauigkeit um 20 bis 50 Prozent. Der Grund ist kein Gemini-spezifischer Bug. Er ist strukturell.
Was das Modell auf dem Papier kann
Die Spitzenwerte sind real. 90,99 Prozent in MMLU-Pro bedeutet, dass Gemini 3.1 Pro auf einem anspruchsvollen Mehrfach-Domänen-Test konsequent Top-Tier-Fähigkeit zeigt. Die 112 Tokens pro Sekunde sind kein Marketing-Wert, sondern eine gemessene Größe aus dem Frühjahr 2026. Und das 2-Millionen-Token-Kontextfenster ist das größte am Markt, größer als alles, was OpenAI oder Anthropic aktuell ausliefern.
Beim Code-Reasoning sieht die Lage anders aus. Gemini 3.1 Pro erreicht in SWE-bench Verified 80,6 Prozent. Claude Opus 4.7 kommt im selben Benchmark auf 87,6 Prozent. Das sind sieben Prozentpunkte Differenz, gemessen an einer Aufgabenklasse, die für Entwickler-Workflows zentral ist. Wer ein Modell vor allem für Code-Generierung evaluiert, muss diesen Abstand kennen.
Auch beim Preis lohnt der Blick auf die Staffelung. Unter 200K Kontext ist Gemini 3.1 Pro mit 2 US-Dollar Input deutlich günstiger als die Frontier-Konkurrenz. Über 200K Kontext steigt der Preis auf 4 US-Dollar Input und 18 US-Dollar Output. Das ist immer noch deutlich unter GPT-5.5, das im selben Bereich bei rund 10 US-Dollar Input und 30 US-Dollar Output liegt (Stand Frühjahr 2026). Bei Long-Context-Tasks ist Gemini 3.1 Pro damit etwa 60 Prozent günstiger als GPT-5.5.
Lost in the Middle: warum das Kontextfenster nicht reicht
Die Schwäche heißt “Lost in the Middle”. Liu et al. haben das Phänomen 2024 in TACL (arXiv 2307.03172) systematisch dokumentiert. Bei Dokumenten zwischen 10.000 und 100.000 Tokens sinkt die Retrieval-Genauigkeit von Transformer-Modellen um 20 bis 50 Prozent. Informationen am Anfang und Ende des Inputs werden zuverlässig gefunden. Informationen in der Mitte werden systematisch unterschätzt.
Das ist kein Bug, sondern eine Eigenschaft der Aufmerksamkeitsverteilung in großen Transformer-Architekturen. Und es betrifft alle Frontier-Modelle, nicht nur Gemini.
Und das 2-Millionen-Token-Fenster löst dieses Problem nicht. Im Gegenteil, die Kapazität wächst, das Aufmerksamkeitsmuster bleibt. Wer ein 800-Seiten-Vertragswerk in einem einzigen Call an Gemini 3.1 Pro gibt und in Seite 412 nach einer Klausel fragt, bekommt mit hoher Wahrscheinlichkeit eine schlechtere Antwort als bei einem Dokument, in dem die Klausel auf Seite 5 oder Seite 800 steht. Das Kontextfenster sagt: Ich kann das alles aufnehmen. Die Aufmerksamkeitsverteilung sagt: Ich verarbeite die Mitte schlechter als die Ränder.
Das Gegenargument: ist das nicht ein altes Problem?
Ein häufiges Gegenargument lautet: Lost in the Middle sei ein Benchmarking-Artefakt aus 2023, moderne Modelle hätten es längst gelöst. Stimmt nicht. Die Liu-Studie ist in der TACL-Version von 2024 aktuell, und unabhängige Tests bei Patronus AI sowie im HELM-Benchmark bestätigen das Muster für GPT-4o, Gemini 1.5 Pro und Claude 3.5 Sonnet bis 2025. Das Phänomen ist persistent.
Was sich verändert hat: Die Kontextfenster sind massiv gewachsen. Gemini 3.1 Pro mit 2 Millionen Tokens, andere Modelle bei 1 Million oder 200K. Das Aufmerksamkeitsmuster ist nicht mit derselben Geschwindigkeit besser geworden. Anders gesagt: Das Fenster wächst schneller als die Fähigkeit, das Fenster gleichmäßig zu nutzen.
Wer Gemini 3.1 Pro für Document Intelligence über mehrere hunderttausend Tokens einsetzt, muss diesen Effekt einpreisen. Sonst zahlst du für ein Kontextfenster, dessen Mitte du nicht zuverlässig adressieren kannst.
Die Preisrechnung, die für Long-Context-Workloads aufgeht
Gerade weil der Long-Context-Bereich technisch nicht trivial ist, lohnt der Blick auf die Wirtschaftlichkeit. Bei großen Volumen ist Gemini 3.1 Pro für Tasks über 200K Kontext rund 60 Prozent günstiger als GPT-5.5. Das ist relevant, sobald ein Unternehmen Document-Intelligence-Pipelines oder RAG über große Korpora aufbaut.
Die Bedingung: Die Pipeline muss das Middle-Penalty-Problem umgehen. In der Praxis heißt das Chunking plus Reranking statt naiver Long-Context-Retrieval. Du brichst das Dokument in kleinere semantische Einheiten, lässt einen Retriever die relevanten Chunks identifizieren und gibst nur diese an Gemini 3.1 Pro. Damit nutzt du den Preis-Vorteil, ohne die Aufmerksamkeitsschwäche zu treffen. Wer dagegen 1,5 Millionen Tokens roh in einen Call wirft und auf das große Fenster vertraut, verbrennt das Geld.
Wann Gemini 3.1 Pro die richtige Wahl ist
Drei Anwendungsmuster sprechen klar für Gemini 3.1 Pro im Mai 2026.
Long-Context-Tasks mit gut konstruiertem Retrieval. Wenn du eine RAG-Pipeline mit Chunking und Reranking betreibst, kombinierst du das große Fenster mit dem niedrigen Preis pro Token. Der Aufmerksamkeits-Bias in der Dokumentmitte spielt keine Rolle, weil du dem Modell ohnehin nur die relevanten Chunks gibst.
Hochvolumige Inferenz mit Latenz-Anforderungen. 112 Tokens pro Sekunde Ausgabegeschwindigkeit sind ein operativer Vorteil bei Anwendungen, in denen Antworten in Sekunden statt zweistelligen Sekunden ankommen müssen. Bei Suche, interaktiven Assistenten und Live-Übersetzungen zählt der Wert.
Allgemeine Wissens- und Mehrfach-Domänen-Aufgaben. Mit 90,99 Prozent in MMLU-Pro liefert das Modell Top-Tier-Reasoning bei deutlich niedrigerem Preis als die Konkurrenz. Wer ein Modell für breite Standardaufgaben sucht und keinen Code-Generator braucht, hat hier ein starkes Preis-Leistungs-Verhältnis.
Wann Gemini 3.1 Pro die falsche Wahl ist
Drei Muster sprechen dagegen.
Reine Code-Generierung als Hauptanwendungsfall. Sieben Prozentpunkte SWE-bench-Differenz zu Claude Opus 4.7, das klingt klein. In Entwicklungs-Pipelines, die Pull Requests automatisieren oder Refactoring-Vorschläge generieren, ist es der falsche Hebel.
Naive Long-Context-Verarbeitung ohne Retrieval-Architektur. Wenn dein Plan lautet “wir kippen das ganze Vertragswerk in einen Call und fragen am Ende”, ist der 2-Millionen-Token-Vorteil kein Vorteil. Du bezahlst für eine Kapazität, die du wegen der Aufmerksamkeitsverteilung nicht stabil nutzen kannst.
Compliance-kritische Drafts in regulierten Branchen. Wer juristische Texte oder Bankenkommunikation generiert, hat bei Claude Opus 4.7 mit Constitutional AI eine andere Verlässlichkeit der Selbst-Constraints. Das ist kein Gemini-Problem im engeren Sinn, aber ein Argument gegen Gemini in diesem spezifischen Slot.
Die eigentliche Erkenntnis
Es gibt 2026 kein “bestes Modell”. Es gibt das beste Modell für eine bestimmte Aufgabenklasse. Gemini 3.1 Pro ist für Long-Context-Workloads mit sauberer Retrieval-Architektur die wirtschaftlich überlegene Wahl. Für reine Code-Generierung ist es Claude Opus 4.7. Für naive Document-Dumps ist keines dieser Modelle die richtige Antwort, weil das Middle-Penalty-Problem alle Frontier-Architekturen betrifft.
Die Modellwahl 2026 ist eine Aufgaben-Wahl. Wer das nicht trennt, kauft die Headline-Benchmarks und merkt im Deployment, dass die Zahlen nicht halten, was die Pressemeldung versprochen hat.
Wer solche Einordnungen regelmäßig sucht, Modellwahl gegen Deployment-Realität gegengerechnet, mit den Zahlen, die in den Marketing-Folien fehlen, findet im KI-Syndikat Newsletter jede Woche eine Analyse, die genau diesen Schritt macht.