Gemini 3.1 Pro: промпт-инжиниринг и отличия от Gemini 3

Gemini 3.1 Pro (февраль 2026) — обновлённая модель Google с усиленным рассуждением, лучшей эффективностью по токенам и более стабильной фактичностью. Официальные гайды по промптингу для линейки Gemini 3 (Vertex AI, Gemini API) применимы к 3.1 Pro; при этом в 3.1 появились важные отличия, которые стоит учитывать при написании промптов и выборе параметров.

Часть 1. Общие принципы промпт-инжиниринга для Gemini 3 / 3.1 Pro

Температура: оставьте 1.0

Для моделей Gemini 3 рекомендуется держать температуру на значении по умолчанию 1.0.

Снижение температуры (например, до 0.7 или ниже) может привести к неожиданному поведению, зацикливанию или ухудшению качества на сложных математических и рассуждающих задачах. Рассуждение в Gemini 3 оптимизировано под дефолтную температуру; ручная настройка обычно не даёт выигрыша.

Управление задержкой (latency)

Чтобы снизить задержку ответа:

• Установите thinking_level в LOW (подробнее про уровни ниже).
• В системной инструкции можно добавить указание «think silently» (думать «молча»), чтобы модель не тратила вывод на явные рассуждения, когда они не нужны.

Дедукция vs внешняя информация

Широкие запреты вроде «do not infer» или «do not guess» могут заставить модель излишне ограничивать себя и отказываться от базовой логики, арифметики или синтеза информации из разных частей документа.

Вместо общего запрета явно сформулируйте:

• Использовать только предоставленный контекст или дополнительные данные для расчётов и логических выводов.
• Не привлекать внешние знания.

Пример неудачной формулировки: «Какова была прибыль? Do not infer.»

Лучше: «Выполняйте расчёты и логические выводы строго на основе приведённого текста. Не вводите внешнюю информацию.»

Split-step verification (двухшаговая проверка)

Когда модель может не иметь доступа к данным (например, к живой веб-странице) или к малознакомой теме, она иногда выдаёт правдоподобный, но неверный ответ.

Приём: разбейте запрос на два шага.

1. Шаг проверки: попросите модель с высокой уверенностью проверить, есть ли у неё доступ к нужной информации или возможности (например, к странице сайта).
2. Условное выполнение: если проверить нельзя — пусть модель ответит «No Info» и остановится; если проверила успешно — тогда генерирует основной ответ.

Пример:

Проверьте с высокой уверенностью, можете ли вы получить доступ к главной странице The New York Times.
Если не можете проверить — напишите «No Info» и остановитесь. Если проверили успешно — сформируйте ответ.

Запрос: Кратко перечислите заголовки новостей The New York Times на сегодня.

Размещение важной информации и ограничений

При сложных запросах модель может «терять» негативные ограничения (что не делать), форматные или количественные требования (объём, число пунктов), если они стоят в начале длинного промпта.

Рекомендация: размещайте основной запрос и самые критичные ограничения в конце инструкции. Негативные ограничения — особенно в конце.

Удачная структура:

1. Негативные, форматные и количественные ограничения.
2. Основные инструкции по задаче.
3. Контекст и исходные материалы.

Так модель с большей вероятностью учтёт запреты и лимиты.

Персоны (personas)

Модель серьёзно придерживается заданной персоны и может игнорировать отдельные инструкции, чтобы не нарушать образ. При использовании персон проверяйте описание роли и избегайте конфликтующих или двусмысленных указаний.

Пример жёсткой персоны: «Вы экстрактор данных. Вам запрещено уточнять, объяснять или расширять термины. Выводите текст строго как в источнике. Не объясняйте причин.»

Заземление (grounding)

Модель может опираться на собственные знания, что может конфликтовать с гипотетическим контекстом (например, «крабы вымышлены и никогда не существовали»). В таких случаях она иногда «возвращается» к фактам из обучения.

Если для сессии единственный источник правды — ваш контекст, явно укажите это в промпте: что ответы должны опираться только на предоставленную информацию, без привлечения внешних знаний и допущений; если чего-то нет в контексте — сказать «информация недоступна».

Синтез нескольких источников

Когда ответ зависит от информации из разных мест документа (книга, кодовая база, длинное видео), модель иногда перестаёт учитывать последующие фрагменты после первого совпадения.

Что делать:

• Размещайте конкретные вопросы и инструкции в конце промпта, после блока с данными.
• Якорьте рассуждение к документу фразой вроде: «На основе всего документа выше…» и просите дать ответ, синтезирующий все релевантные части.

Пример: «На основе всего документа выше дайте развёрнутый ответ. Синтезируйте всю релевантную информацию из текста, относящуюся к сценарию из вопроса.»

Управление многословностью

По умолчанию Gemini 3 менее многословна и даёт прямые, лаконичные ответы. Если нужен более разговорный или подробный тон — явно попросите в промпте, например: «Объясните это как дружелюбный и разговорчивый ассистент.»

Часть 2. Отличия Gemini 3.1 Pro от Gemini 3 (3.0 Pro), важные для промптинга

2.1 Система уровней мышления (thinking_level)

Практический вывод:

• Если вы использовали в 3.0 уровень HIGH, при переходе на 3.1 разумно сначала попробовать MEDIUM: качество рассуждений сопоставимо, задержка обычно ниже.
• Уровень HIGH в 3.1 резервируйте для самых сложных задач (многошаговое планирование, сложный код, глубокий анализ).
• Для простых запросов и минимальной задержки по-прежнему используйте LOW.

Параметр thinking_level в 3.1 Pro нельзя отключить; по умолчанию используется высокий уровень рассуждения. Явная установка уровня даёт контроль над балансом «качество / задержка / стоимость».

2.2 Лимиты вывода и загрузки файлов

• Максимальный вывод: в 3.1 Pro явно задан лимит 65 536 токенов вывода (в 3.0 он не был так явно зафиксирован в публичных спецификациях). Это позволяет за один запрос получать длинные документы, большие блоки кода или развёрнутые отчёты.
• Загрузка файлов: лимит увеличен с 20 MB до 100 MB. Можно передавать более крупные репозитории, наборы PDF или медиа для анализа.

Для промптов: при длинных ответах можно явно просить структурированный вывод (например, разделы, оглавление) и при необходимости напоминать о лимите объёма; при больших входах по-прежнему важно выносить ключевые инструкции и ограничения в конец.

2.3 YouTube и customtools

• YouTube: в 3.1 Pro поддерживается передача URL видео YouTube в промпт; модель может анализировать контент по ссылке без предзагрузки файла. В промпте достаточно указать ссылку и задать вопрос или задачу по видео.
• customtools: для агентных сценариев (bash, кастомные функции) в 3.1 Pro добавлен эндпоинт gemini-3.1-pro-preview-customtools, оптимизированный под типичные инструменты разработчика (например, просмотр файлов, поиск по коду). Для ботов ревью кода, автоматизации деплоя и подобных агентов предпочтительно использовать этот эндпоинт.

Эти отличия не меняют общие правила промптинга, но расширяют возможности формулировок (прямые ссылки на YouTube) и стабильность в агентных пайплайнах (customtools).

2.4 Эффективность вывода и стабильность

По отзывам (в т.ч. от JetBrains) 3.1 Pro при том же качестве результата часто выдаёт меньше токенов вывода (порядка 10–15% экономии). Это снижает стоимость и время ответа. Модель склонна к более сжатым и структурированным формулировкам; при необходимости большей детализации или «разговорности» это по-прежнему задаётся явно в промпте.

Долгие многошаговые задачи в 3.1 Pro выполняются стабильнее, что важно для агентных сценариев: меньше «схода с рельсов» и неожиданных сбоев в середине цепочки.

2.5 Бенчмарки и что они означают для промптов

Улучшения в 3.1 Pro по рассуждению и агентным сценариям косвенно подтверждают, что те же приёмы промптинга работают лучше:

• ARC-AGI-2 (новые логические паттерны): сильный рост (например, с ~31% до ~77% в отдельных сравнениях) — модель лучше справляется с нестандартными логическими задачами при чётко заданных условиях.
• SWE-Bench, Terminal-Bench, BrowseComp, MCP Atlas: рост по коду и веб-поиску — полезно явно задавать шаги проверки (split-step), ограничения по скоупу и формат ответа при работе с инструментами и внешними источниками.

Общие правила (ограничения в конце, явное заземление, split-step при риске галлюцинаций) остаются в силе и в 3.1 дают больший эффект за счёт более сильного рассуждения.

Краткий чек-лист по промптингу для Gemini 3.1 Pro

1. Температура — оставить 1.0.
2. thinking_level — LOW для скорости, MEDIUM для баланса (аналог старого HIGH в 3.0), HIGH для максимальной глубины.
3. Ограничения и главный запрос — в конце промпта; негативные ограничения особенно в конце.
4. Дедукция — явно указать «использовать только предоставленный контекст», не полагаться на общее «do not infer».
5. Риск галлюцинаций — при сомнительном доступе к данным или возможностям использовать split-step verification.
6. Несколько источников — инструкции и вопросы после контекста, формулировки «на основе всего документа выше».
7. Заземление — при гипотетическом контексте явно объявить его единственным источником правды.
8. Многословность — при необходимости более развёрнутого или разговорного тона указать это в промпте.
9. Агенты и длинные задачи — по возможности использовать эндпоинт customtools; при больших входах — структура и ограничения в конце.

Ссылки

• Gemini 3 prompting guide (Vertex AI) — стратегии промптинга для Gemini 3.
• Gemini 3.1 Pro Preview (Gemini API) — модель, лимиты, возможности.
• Thinking (Vertex AI) — настройка мышления.

Модель Gemini 3.1 Pro доступна через единый API-шлюз NeuroAPI вместе с десятками других моделей. Подробнее об API и моделях: https://neuroapi.host