Google lanzó Gemini 3.1 Ultra en abril de 2026, y después de pasarle tiempo encima, quiero cortar el ruido de los benchmarks y enfocarme en lo que importa para los developers que realmente están construyendo cosas.
La ventana de contexto de 2 millones de tokens es real — y es diferente
Dos millones de tokens suena a número de marketing hasta que te das cuenta de lo que entra: un codebase mediano completo, un libro entero, decenas de archivos de documentación, o un video largo — todo en un solo prompt. He visto ventanas de 1M tokens degradarse mal pasada la mitad; Google sostiene que 3.1 Ultra mantiene coherencia hasta el último tercio de contextos largos. Esa es la afirmación que vale la pena testear.
El caso de uso que esto habilita no es “chateá con tu codebase” — es eliminar los pipelines de chunking, summarización y retrieval que hacen frágiles las aplicaciones de contexto largo. Si la afirmación de coherencia se sostiene, eso es una simplificación arquitectónica, no solo una mejora de capacidad.
Razonamiento multimodal nativo — no transcripción
La mayoría de los modelos “multimodales” serializan los inputs en secreto: transcriben audio a texto, describen imágenes a texto, y luego razonan sobre el texto combinado. Gemini 3.1 Ultra razona de forma nativa sobre frames de video, waveforms de audio, imágenes y texto de manera simultánea. Esto importa para tareas como revisar una grabación de pantalla de un bug, analizar un diagrama técnico junto con su código fuente, o construir agents que operen en entornos de medios mixtos sin perder fidelidad en la traducción.
Ejecución nativa de código — sin plugin
Este es el feature que más destacaría para developers: 3.1 Ultra escribe Python, lo ejecuta en un entorno sandboxed, observa el output y revisa — todo de forma nativa, sin un plugin de Code Interpreter de terceros. El loop es más ajustado, la integración es más limpia, y el modelo toma decisiones basadas en comportamiento real en runtime en lugar de output predicho.
Para análisis de datos, testing automatizado, o cualquier workflow donde “escribir código, ejecutarlo, ajustar” es el loop central, esto importa.
Los números: 94% en GPQA Diamond
GPQA Diamond mide razonamiento a nivel de posgrado en biología, química y física — el tipo de problemas de múltiples pasos que requieren comprensión de dominio genuina, no pattern matching. 94% es el titular. Aclaro que el rendimiento en benchmarks y el rendimiento en producción suelen divergir, y 3.1 Ultra es suficientemente nuevo como para que las evaluaciones reales todavía sean escasas. El número es notable; tratalo como un piso a validar, no un techo que celebrar.
Dónde está disponible
- Gemini Advanced (gemini.google.com) — consumer-facing, por suscripción
- Google AI Studio — tier gratuito para experimentación, con rate limits
- Gemini API — para integración en producción
Una nota sobre costos: la ventana de 2M tokens es poderosa, pero los costos por token a esa escala se acumulan. Para workloads exploratorios o de alto volumen, corré los números contra el pricing de AI Studio antes de comprometer decisiones arquitectónicas construidas alrededor del contexto máximo.
Mi lectura
Gemini 3.1 Ultra es el modelo multimodal más completo que Google ha lanzado. La ejecución nativa de código y las afirmaciones de coherencia a escala son las dos cosas que estoy mirando más de cerca — si ambas se sostienen bajo condiciones de producción, esto cambia cómo enfocaría ciertas arquitecturas de agents. La ventana de contexto sola es una ventaja de ingeniería genuina sobre cualquier cosa en 200K.
La pregunta no es si 3.1 Ultra es impresionante. Lo es. La pregunta es si las afirmaciones de coherencia sobreviven el contacto con workloads reales — y esa respuesta va a venir de la comunidad en las próximas semanas, no de los benchmarks de Google.