¿Cómo pasamos de modelos de lenguaje que solo responden a indicaciones a sistemas que pueden razonar en millones de contextos simbólicos, comprender señales del mundo real y actuar de manera confiable como agentes en nuestro nombre? Google acaba de lanzar la familia Gemini 3 con Gemini 3 Pro como pieza central que se posiciona como un paso importante hacia sistemas de inteligencia artificial más generales. El equipo de investigación describe Gemini 3 como su modelo más inteligente hasta el momento, con un razonamiento de última generación, una sólida comprensión multimodal y capacidades mejoradas de codificación de agentes y vibraciones. Gemini 3 Pro se lanza en versión preliminar y ya está conectado a la aplicación Gemini, el modo AI en la búsqueda, la API Gemini, Google AI Studio, Vertex AI y la nueva plataforma de desarrollo agente Google Antigravity.
Transformador MoE escaso con contexto de token de 1M
Gemini 3 Pro es una mezcla escasa de modelos de transformadores expertos con soporte multimodal nativo para entradas de texto, imágenes, audio y video. Las escasas capas de MoE enrutan cada token a un pequeño subconjunto de expertos, de modo que el modelo pueda escalar el recuento total de parámetros sin pagar un costo de cálculo proporcional por token. Las entradas pueden abarcar hasta 1 millón de tokens y el modelo puede generar hasta 64 000 tokens de salida, lo cual es importante para bases de código, documentos extensos o transcripciones de varias horas. El modelo se entrena desde cero y no como un ajuste fino de Gemini 2.5.
Los datos de capacitación cubren texto web público a gran escala, código en muchos idiomas, imágenes, audio y video, combinados con datos con licencia, datos de interacción del usuario y datos sintéticos. La capacitación posterior utiliza el ajuste de instrucción multimodal y el aprendizaje reforzado a partir de comentarios humanos y críticos para mejorar el razonamiento de múltiples pasos, la resolución de problemas y el comportamiento de demostración de teoremas. El sistema se ejecuta en las TPU de las Unidades de Procesamiento Tensor de Google, con capacitación implementada en JAX y ML Pathways.
Puntos de referencia de razonamiento y tareas de estilo académico.
En las pruebas públicas, Gemini 3 Pro mejora claramente con respecto a Gemini 2.5 Pro y es competitivo con otros modelos de vanguardia como GPT 5.1 y Claude Sonnet 4.5. En Humanity’s Last Exam, que agrega preguntas de nivel de doctorado en muchos dominios científicos y humanitarios, Gemini 3 Pro obtiene una puntuación del 37,5 por ciento sin herramientas, en comparación con el 21,6 por ciento de Gemini 2.5 Pro, el 26,5 por ciento de GPT 5.1 y el 13,7 por ciento de Claude Sonnet 4.5. Con la búsqueda y la ejecución de código habilitadas, Gemini 3 Pro alcanza el 45,8 por ciento.
En los acertijos de razonamiento visual ARC AGI 2, Gemini 3 Pro obtiene una puntuación del 31,1 por ciento, frente al 4,9 por ciento de Gemini 2.5 Pro, y por delante de GPT 5.1 con un 17,6 por ciento y Claude Sonnet 4,5 con un 13,6 por ciento. En cuanto a las respuestas a preguntas científicas sobre GPQA Diamond, Gemini 3 Pro alcanza el 91,9 por ciento, ligeramente por delante de GPT 5.1 con un 88,1 por ciento y Claude Sonnet 4,5 con un 83,4 por ciento. En matemáticas, el modelo alcanza el 95,0 por ciento en AIME 2025 sin herramientas y el 100,0 por ciento con ejecución de código, mientras que también establece un 23,4 por ciento en MathArena Apex, un desafiante punto de referencia de estilo de concurso.
Comprensión multimodal y comportamiento en contexto prolongado.
Gemini 3 Pro está diseñado como un modelo multimodal nativo en lugar de un modelo de texto con complementos. En MMMU Pro, que mide el razonamiento multimodal en muchas materias de nivel universitario, obtiene una puntuación del 81,0 por ciento frente al 68,0 por ciento de Gemini 2.5 Pro y Claude Sonnet 4.5, y el 76,0 por ciento de GPT 5.1. En Video MMMU, que evalúa la adquisición de conocimientos a partir de vídeos, Gemini 3 Pro alcanza el 87,6 por ciento, por delante del Gemini 2.5 Pro con un 83,6 por ciento y otros modelos de vanguardia.
La interfaz de usuario y la comprensión de los documentos también son más sólidas. ScreenSpot Pro, un punto de referencia para localizar elementos en una pantalla, muestra a Gemini 3 Pro con un 72,7 por ciento, en comparación con el 11,4 por ciento de Gemini 2.5 Pro, el 36,2 por ciento de Claude Sonnet 4.5 y el 3,5 por ciento de GPT 5.1. En OmniDocBench 1.5, que informa la distancia de edición general para OCR y comprensión de documentos estructurados, Gemini 3 Pro alcanza 0,115, inferior a todas las líneas base de la tabla de comparación.
Para un contexto prolongado, Gemini 3 Pro se evalúa en MRCR v2 con recuperación de 8 agujas. En un contexto promedio de 128k, obtiene una puntuación del 77,0 por ciento, y en una configuración puntual de 1 millón de tokens alcanza el 26,3 por ciento, por delante del Gemini 2.5 Pro con un 16,4 por ciento, mientras que los modelos de la competencia aún no admiten esa longitud de contexto en la comparación publicada.
Codificación, agentes y Google Antigravity
Para los desarrolladores de software, la historia principal es la codificación y el comportamiento de agencia. Gemini 3 Pro encabeza la clasificación de LMArena con una puntuación Elo de 1501 y logra 1487 Elo en WebDev Arena, que evalúa tareas de desarrollo web. En Terminal Bench 2.0, que prueba la capacidad de operar un ordenador a través de un terminal a través de un agente, alcanza el 54,2 por ciento, por encima de GPT 5.1 con un 47,6 por ciento, Claude Sonnet 4,5 con un 42,8 por ciento y Gemini 2.5 Pro con un 32,6 por ciento. En SWE Bench Verified, que mide cambios de código de un solo intento en ediciones de GitHub, Gemini 3 Pro obtiene una puntuación del 76,2 por ciento en comparación con el 59,6 por ciento de Gemini 2.5 Pro, el 76,3 por ciento de GPT 5.1 y el 77,2 por ciento de Claude Sonnet 4.5.
Gemini 3 Pro también funciona bien en el banco τ2 para uso de herramientas, con un 85,4 por ciento, y en Vending Bench 2, que evalúa la planificación a largo plazo para un negocio simulado, donde produce un patrimonio neto medio de 5478,16 dólares frente a 573,64 dólares de Gemini 2.5 Pro y 1473,43 dólares de GPT 5.1.
Estas capacidades están expuestas en Google Antigravity, un entorno de desarrollo de agente primero. Antigravity combina Gemini 3 Pro con el modelo de uso informático Gemini 2.5 para el control del navegador y el modelo de imagen Nano Banana, de modo que los agentes puedan planificar, escribir código, ejecutarlo en la terminal o el navegador y verificar los resultados dentro de un único flujo de trabajo.
Conclusiones clave
Gemini 3 Pro es una mezcla escasa de transformador experto con soporte multimodal nativo y una ventana de contexto de token de 1M, diseñada para razonamiento a gran escala a través de entradas largas. El modelo muestra grandes ganancias sobre Gemini 2.5 Pro en puntos de referencia de razonamiento difíciles como Humanity’s Last Exam, ARC AGI 2, GPQA Diamond y MathArena Apex, y es competitivo con GPT 5.1 y Claude Sonnet 4.5. Gemini 3 Pro ofrece un sólido rendimiento multimodal en puntos de referencia como MMMU Pro, Video MMMU, ScreenSpot Pro y OmniDocBench, que se enfocan en preguntas de nivel universitario, comprensión de videos y comprensión de documentos complejos o UI. Los casos de uso de codificación y agentes son un enfoque principal, con puntuaciones altas en SWE Bench Verified, WebDev Arena, Terminal Bench y puntos de referencia de planificación y uso de herramientas como τ2 bench y Vending Bench 2.
Gemini 3 Pro es una clara escalada en la estrategia de Google hacia más AGI, combinando una escasa mezcla de arquitectura de expertos, contexto de token de 1 millón y un sólido rendimiento en ARC AGI 2, GPQA Diamond, Humanity’s Last Exam, MathArena Apex, MMMU Pro y WebDev Arena. El enfoque en el uso de herramientas, el control de terminales y navegadores y la evaluación bajo Frontier Safety Framework lo posiciona como un caballo de batalla listo para API para sistemas agentes de producción. En general, Gemini 3 Pro es una respuesta centrada en agentes impulsada por puntos de referencia para la siguiente fase de la IA multimodal a gran escala.
Consulte los detalles técnicos y los documentos. No dude en consultar nuestra página de GitHub para tutoriales, códigos y cuadernos. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 100.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
Max es un analista de inteligencia artificial en MarkTechPost, con sede en Silicon Valley, que da forma activamente al futuro de la tecnología. Enseña robótica en Brainvyne, combate el spam con ComplyEmail y aprovecha la IA a diario para traducir avances tecnológicos complejos en conocimientos claros y comprensibles.
🙌 Siga MARKTECHPOST: agréguenos como fuente preferida en Google.