Actualizado el 07/03/2026: Google migró el alias gemini-pro-latest a Gemini 3.1 Pro Preview el 6 de marzo y discontinuará Gemini 3 Pro el 9 de marzo. Si usás la API, necesitás verificar tu model ID antes de esa fecha.
En 30 segundos
- El alias
gemini-pro-latestya apunta a Gemini 3.1 Pro Preview desde el 6 de marzo de 2026. - Gemini 3 Pro Preview deja de funcionar el 9 de marzo. Las llamadas con ese model ID van a fallar.
- Gemini 3.1 Pro duplica el rendimiento en razonamiento: 77,1% en ARC-AGI-2 vs 31,1% de su predecesor.
- Ventana de contexto de 1M tokens, salida de hasta 65K tokens, pricing sin cambios.
- Cambio clave en la API: el parámetro
thinking_budgetse reemplaza porthinking_level.
Qué es Gemini 3.1 Pro y por qué Google retiró su predecesor
Gemini 3.1 Pro es la evolución directa de Gemini 3 Pro dentro del programa Preview de Google AI. Fue diseñado como un modelo multimodal nativo: procesa texto, imágenes, audio, video y código en una única ventana de razonamiento, sin módulos separados por modalidad.
El 6 de marzo de 2026, Google cambió el alias gemini-pro-latest para que apunte a Gemini 3.1 Pro Preview en lugar de Gemini 3 Pro Preview. Tres días después, el 9 de marzo, el modelo anterior se retira por completo. Es el ciclo habitual de los modelos Preview: Google los lanza, los itera rápido y los depreca cuando la versión superadora está lista.
El pricing se mantiene igual: $2 por millón de tokens de entrada y $12 por millón de tokens de salida. Google no tocó los precios, así que el upgrade es gratuito en términos de costo por request. Si te interesa, podes leer mas sobre la alianza entre Apple y Google Gemini.
Mejoras clave de Gemini 3.1 Pro: razonamiento, contexto y agentes
El salto más llamativo está en ARC-AGI-2, un benchmark de razonamiento abstracto que mide la capacidad del modelo para resolver problemas que nunca vio en entrenamiento. Gemini 3.1 Pro marca 77,1%, contra el 31,1% de Gemini 3 Pro. Más del doble.
En GPQA Diamond, que evalúa razonamiento matemático y lógico avanzado, el modelo llega a 94,3%. En SWE-Bench Verified —problemas reales de ingeniería de software— alcanza 80,6% en un solo intento. Eso lo pone codo a codo con los mejores modelos del mercado.
La ventana de contexto se mantiene en 1 millón de tokens, pero la capacidad de salida subió a 65K tokens (antes 64K). Parece menor, pero para generación de código largo o síntesis de documentos extensos, ese margen extra ayuda.
Gemini 3.1 Pro integra thinking dinámico de forma nativa. El modelo decide cuánto razonamiento intermedio necesita según la complejidad de la consulta. No hay que configurar nada: para preguntas simples gasta poco thinking, para problemas complejos profundiza automáticamente. Si te interesa, podes leer mas sobre las capacidades de Gemini 3 Flash.
Gemini 3.1 Pro vs Gemini 3 Pro: comparativa completa
| Característica | Gemini 3 Pro Preview | Gemini 3.1 Pro Preview |
|---|---|---|
| ARC-AGI-2 | 31,1% | 77,1% |
| SWE-Bench Verified | ~72% | 80,6% |
| GPQA Diamond | ~88% | 94,3% |
| Terminal-Bench 2.0 | Soporte básico | Mejora significativa |
| Agent Search | Baseline | +45% vs predecesor |
| Ventana de contexto | 1M tokens | 1M tokens |
| Tokens de salida máx. | 64K | 65K |
| Soporte archivos | Hasta 100MB | Hasta 100MB + URLs de YouTube |
| Thinking | thinking_budget (manual) | thinking_level (dinámico) |
| Precio input (por 1M tokens) | $2 | $2 |
| Precio output (por 1M tokens) | $12 | $12 |
| Estado | Deprecado el 9/03/2026 | Activo (alias -latest) |
Los números más relevantes: el razonamiento abstracto se duplicó con creces, las capacidades agénticas (búsqueda autónoma, ejecución multi-step) mejoraron un 45%, y el modelo ahora puede procesar URLs de YouTube directamente como input.
Migración de Gemini 3 Pro a 3.1 Pro: cómo actualizar tu API de Google
Si estás usando el alias gemini-pro-latest, ya estás en Gemini 3.1 Pro desde el 6 de marzo. No tenés que hacer nada, pero conviene correr tus evals para verificar que no haya regresiones en tu caso de uso específico.
Si tenés el model ID hardcodeado como gemini-3-pro-preview, necesitás cambiarlo a gemini-3.1-pro-preview antes del 9 de marzo. Después de esa fecha, las llamadas al modelo viejo van a devolver error.
Hay un cambio en la API que puede romper cosas: el parámetro thinking_budget se renombró a thinking_level. Si lo estás usando en tus requests, actualizalo. El nuevo parámetro acepta niveles predefinidos en lugar de un budget numérico, y el modelo distribuye el razonamiento de forma dinámica. Si te interesa, podes leer mas sobre el modo IA de Google Search.
Paso a paso:
- Buscá en tu código todas las referencias a
gemini-3-pro-previewy reemplazalas porgemini-3.1-pro-preview. - Revisá si usás
thinking_budgeten los parámetros del request. Si sí, cambialo athinking_level. - Corré tu suite de tests o evals antes de subir a producción. Gemini 3.1 Pro es mejor en general, pero los cambios en thinking pueden alterar outputs específicos.
- Si usás el SDK de Google AI, actualizalo a la última versión. Las versiones recientes ya incluyen soporte para el nuevo parámetro.
Qué pasa si no migrás antes del 9 de marzo
Depende de cómo estés llamando al modelo.
Si usás el alias gemini-pro-latest, ya estás en la versión nueva sin hacer nada. Eso sí: el cambio fue el 6 de marzo, así que si notaste diferencias en los outputs desde esa fecha, esta es la razón.
Si tenés gemini-3-pro-preview hardcodeado, después del 9 de marzo tus llamadas van a recibir un error de modelo no encontrado. En producción, esto significa downtime hasta que actualices el model ID.
Para detectar si tu app está afectada: buscá la string gemini-3-pro-preview en tu código, variables de entorno y configuraciones. Si aparece sin el “3.1”, tenés que actualizarla. También revisá si tenés el model ID en alguna base de datos o config remota que no sea parte de tu deploy habitual.
Gemini 3.1 Pro en la práctica: workflows agénticos y casos de uso
Donde Gemini 3.1 Pro marca la diferencia más tangible es en tareas que requieren múltiples pasos autónomos. El modelo puede recibir una instrucción de alto nivel, planificar la secuencia de acciones, ejecutarlas interactuando con herramientas externas, y ajustar su enfoque según los resultados intermedios. Si te interesa, podes leer mas sobre el razonamiento profundo de Gemini 3.
La mejora del 45% en agent search significa que el modelo es mucho más eficiente buscando y sintetizando información de múltiples fuentes. Un ejemplo concreto: podés pedirle que investigue el landscape competitivo de un sector, y va a buscar datos, compararlos, identificar patrones y generar un reporte estructurado. Con Gemini 3 Pro, este tipo de tarea requería más intervención manual.
Para desarrolladores, la combinación de 1M tokens de contexto con 65K de salida habilita escenarios como: cargar un repo entero, pedir un refactor completo de un módulo, y recibir el código listo para commit. El thinking dinámico ayuda acá porque el modelo dedica más razonamiento a las partes complejas del código sin desperdiciar tokens en lo trivial.
Workflows de síntesis de datos —como cruzar información de papers científicos con datasets— también se benefician. La ventana de 1M tokens permite cargar todo el material fuente de una vez, y el modelo puede generar análisis que conectan información entre documentos sin perder contexto.
Gemini 3.1 Pro frente a la competencia: Claude, GPT y más
En SWE-Bench Verified, Gemini 3.1 Pro logra 80,6%. Claude Opus 4.6 de Anthropic marca alrededor de 80,9%. La diferencia es de apenas 0,3 puntos porcentuales —estadísticamente insignificante—. En la práctica, ambos modelos resuelven problemas de ingeniería de software con eficacia similar. Si te interesa, podes leer mas sobre nuestra comparativa entre GPT 5.2 y Gemini 3 Pro.
Donde Gemini 3.1 Pro saca ventaja es en razonamiento abstracto. Su 77,1% en ARC-AGI-2 es difícil de igualar. También en velocidad: es un 21% más rápido que Gemini 3 Pro y un 16% más rápido que GPT-5.2 en tiempo de respuesta promedio.
El pricing de $2/$12 por millón de tokens es competitivo. Claude Opus 4.6 cobra más por token, y GPT-5.2 tiene un esquema de precios escalonado que puede resultar más caro según el volumen. Para equipos que procesan muchos tokens por día, la diferencia se nota.
Para entender mejor cómo se posiciona frente a la competencia, podés leer nuestro artículo sobre Gemini 3.1 Pro: La Nueva IA de Google que Compite con ChatGP.
Si querés comparar opciones antes de decidir, en Gemini 3.1 Pro: La Nueva IA de Google que Compite con ChatGP analizamos el tema en detalle.
Si te interesa el tema, en Google migra a Gemini 3.1 Pro Preview y retira Gemini 3 Pro cubrimos los cambios y errores más comunes de la plataforma.
Si estás trabajando con estas APIs, en nuestro artículo sobre Google migra a Gemini 3.1 Pro Preview y retira Gemini 3 Pro cubrimos los cambios clave que tenés que conocer.
Este cambio llegó de la mano de una transición mayor: Google migra a Gemini 3.1 Pro Preview y retira Gemini 3 Pro.
Si te interesa cómo viene evolucionando este ecosistema, en este artículo cubrimos cómo Google migra a Gemini 3.1 Pro Preview y retira Gemini 3 Pro.
Eso sí: cada modelo tiene sus puntos fuertes. Claude sigue siendo muy bueno en tareas de escritura y seguimiento de instrucciones complejas. GPT-5.2 tiene ventaja en ciertos dominios de conocimiento específico. La elección depende del caso de uso, no de un ranking absoluto.
Qué significa para empresas y equipos en Latinoamérica
La migración forzada tiene un deadline concreto: 9 de marzo. Si tu equipo usa Gemini 3 Pro en producción, la ventana para actuar es estrecha. La buena noticia es que el cambio es simple —un string de model ID— y el precio no cambia. Si te interesa, podes leer mas sobre el entorno de desarrollo Antigravity de Google.
Para startups y equipos de desarrollo en la región, el modelo sigue disponible sin restricciones geográficas a través de la API de Google AI Studio y Vertex AI. Las mejoras en capacidades agénticas hacen que sea más viable usarlo para automatizaciones que antes requerían orquestación manual: reportes, análisis de datos, generación de código.
El pricing sin cambios es relevante porque muchos equipos latinoamericanos optimizan fuerte por costo. Duplicar el rendimiento en razonamiento sin pagar más es un upgrade directo al ROI de cualquier pipeline que use este modelo.
Preguntas frecuentes sobre la migración a Gemini 3.1 Pro Google
¿Qué pasa si no migro de Gemini 3 Pro antes del 9 de marzo?
Si tenés el model ID gemini-3-pro-preview hardcodeado, tus llamadas van a fallar con un error de modelo no encontrado después del 9 de marzo. Si usás el alias gemini-pro-latest, ya estás en la versión nueva desde el 6 de marzo y no tenés que hacer nada.
¿Cómo actualizo mi API de Gemini 3 Pro a 3.1 Pro?
Cambiá el model ID de gemini-3-pro-preview a gemini-3.1-pro-preview en tu código. Si usás el parámetro thinking_budget, renombralo a thinking_level. Después, corré tus tests antes de subir a producción.
¿Cambia el precio de Gemini 3.1 Pro respecto al modelo anterior?
No. El pricing se mantiene en $2 por millón de tokens de entrada y $12 por millón de tokens de salida. Es el mismo costo con mejor rendimiento.
¿Qué es el alias gemini-pro-latest y cómo me afecta el cambio?
Es un alias que Google mantiene apuntando siempre al modelo Pro más reciente. Desde el 6 de marzo apunta a Gemini 3.1 Pro Preview. Si lo usás en tu código, la migración fue automática, pero tus outputs pueden haber cambiado sin que lo esperaras. Conviene revisar que todo funcione como antes.
Conclusión
Gemini 3.1 Pro es una mejora sustancial sobre su predecesor, con el doble de rendimiento en razonamiento abstracto y capacidades agénticas significativamente más robustas. El deadline del 9 de marzo para la migración es real: si usás Gemini 3 Pro con model ID hardcodeado, actualizá antes de esa fecha.
Lo que conviene seguir de cerca: cómo evoluciona el parámetro thinking_level en las próximas versiones, si Google mantiene el pricing cuando saque la versión estable (no Preview), y cómo responden Anthropic y OpenAI a este nivel de rendimiento en razonamiento. Por ahora, Gemini 3.1 Pro ofrece la mejor relación precio-rendimiento en su categoría.