基于 DataLearner 收录数据，对 Gemma 4 31B 在 MMLU Pro、GPQA Diamond、AIME 2026、LiveCodeBench 等评测中的表现进行深度分析，并与 GLM-5、Kimi K2.5、Qwen3.5-27B 横向对比。
Gemma 4 31B 是 2026 年上半年参数效率最高的开源稠密推理模型之一——用 310 亿全激活参数，在数学和综合知识类评测上基本追平同级别最强开源竞品，但在复杂知识推理（HLE）和 Agent 任务上仍有明显差距，选择时需根据实际用途判断。
对比同系列上代模型 Gemma 3 27B，Gemma 4 31B 的提升幅度远超正常迭代节奏，不像是渐进优化，更像是更换了核心技术路线。
（博士级专业知识推理）从 42.40 跳至 ，涨幅超过 40 个百分点；（实时编程能力）从 29.70 升至 ，几乎翻了近三倍；（系统性多学科知识）从 67.50 升至 。这种幅度在同一系列的相邻两代之间非常罕见。
Google DeepMind 官方说明该模型基于 Gemini 3 同源技术构建，同时默认开启思维链推理（thinking mode），这两点共同解释了代际跳跃的来源——本质上，Gemma 4 31B 引入的是一个新的能力底座，而不是在旧基础上做参数扩充。
值得注意的是，页面上 Gemma 4 31B 的所有评测分数，均来自思考模式（thinking mode 开启），而 Gemma 3 27B 的数据是常规模式。这意味着两代的对比并非完全对等的推理架构对比，实际差距的一部分由思维链推理贡献。这是读数据时需要保持清醒的地方。
目前 DataLearner 收录了 Gemma 4 31B 与 GLM-5、Kimi K2.5、Qwen3.5-27B 在 6 项评测上的可比数据，以下是逐项判断。
数学推理（AIME 2026）：接近同级最强，但尚未第一
Gemma 4 31B 在 AIME 2026 上得分 89.20，在当前 DataLearner 收录的 10 个有数据的模型中排名第 9，是极少数能在这个评测上进入 90 分附近的开源模型。对比来看，GLM-5 为 92.70，Kimi K2.5 为 92.50，均高于 Gemma 4 31B。数学推理上，Gemma 4 31B 是强竞争者，但不是第一。
综合知识与推理（MMLU Pro）：与 Qwen3.5-27B 基本持平
Gemma 4 31B 的 MMLU Pro 为 85.20，Qwen3.5-27B 为 86.10，差距不到 1 个百分点，在误差范围内可视为相当。Kimi K2.5 在这项上为 78.50，略低一个台阶。MMLU Pro 这一项，Gemma 4 31B 表现稳健。
博士级推理（GPQA Diamond）：三家竞品均略高
Gemma 4 31B 得分 84.30，GLM-5 86.00、Kimi K2.5 87.60、Qwen3.5-27B 85.50，三家对比模型均高于 Gemma 4 31B，差距在 1.2 到 3.3 个百分点之间。这个差距实际，但不构成压倒性劣势。
编程（LiveCodeBench）：落后 Kimi K2.5 约 5 分
Gemma 4 31B 得分 80.00，Kimi K2.5 为 85.00，Qwen3.5-27B 为 80.70。编程能力上，Kimi K2.5 有明显优势；Gemma 4 31B 与 Qwen3.5-27B 基本同档。
复杂知识推理（HLE）：这是最大的短板
HLE（Humanity's Last Exam）是当前区分顶级模型最有效的评测之一。Gemma 4 31B 在无工具条件下得分仅 19.50，加上工具和联网后提升到 26.50，但 GLM-5 在 thinking+工具模式下达到 50.40，Qwen3.5-27B 带工具为 48.50。
这个差距相当大，接近翻倍。HLE 考察的是极端复杂问题的推理深度，这里的差距说明 Gemma 4 31B 在超出常规知识边界的问题上，推理链的有效深度不及 GLM-5 和 Qwen3.5-27B。
Agent 能力（τ²-Bench）：中等偏上，但 GLM-5 遥遥领先
τ²-Bench 是衡量模型在多轮工具调用和任务完成上的综合 Agent 能力。Gemma 4 31B 得分 76.90，Qwen3.5-27B 为 79.00，而 GLM-5 达到 89.70——后者几乎高出一个量级，差距显著。如果 Agent 工作流是核心用途，GLM-5 当前是更具竞争力的选择。
适合的场景：
不适合的场景：
Google 官方在发布时强调"以 1/30 的参数量媲美 600B 级别模型"，DataLearner 的评测排名数据在一定程度上支持这一说法——MMLU Pro 全榜排名 16/116，LiveCodeBench 21/109，在 31B 参数量级内均属顶尖位置。
但这里有一个结构性背景需要说明：Gemma 4 31B 的这些成绩来自思考模式（thinking mode 默认开启），而部分竞品的常规模式分数会更低。思维链推理本身有推理时延和 token 消耗的成本，在实际部署时，推理速度和单次对话 token 成本与常规模式有差异，应用时需纳入考量。
本页评测数据均来自 DataLearner 持续收录的公开基准测试结果，数据来源链接见页面底部。模型对比中各方所用的推理模式（思考/常规/联网）已在表格内标注，不同模式间的分数不建议直接等量对比。随着更多评测数据入库，排名和对比结论可能随时更新。
