Коротко. Gemini 3.1 Pro виграє на "чистому" reasoning (ARC-AGI-2, GPQA) і є єдиним з трьох, хто нативно працює з аудіо й відео, а не тільки з текстом і зображеннями. Sonnet 5 виграє на передбачуваній тарифікації довгого контексту та агентному кодуванні в стилі SWE-bench. Порівнювати варто не одну модель Gemini, а дві — нижче пояснюю чому.
Повний технічний розбір Sonnet 5 — архітектура, effort levels, бенчмарки, обмеження — я вже писав у окремому огляді. Тут — тільки пряме порівняння з лінійкою Gemini 3.
Зміст
Дві моделі Gemini замість однієї
На відміну від порівнянь з GPT-5.5 чи Kimi K2.5, тут немає однієї очевидної моделі-конкурента. У лінійці Gemini 3 одночасно живуть Gemini 3.1 Pro — флагманська reasoning-модель, випущена 19 лютого 2026 року, — і Gemini 3.5 Flash, дешевша модель середини 2026 року, орієнтована саме на агентні й кодові задачі. Порівнювати Sonnet 5 лише з однією з них було б неповно: Pro — найближчий конкурент за класом "флагман", Flash — найближчий за ціновим позиціонуванням і фокусом на кодування.
Тому далі там, де йдеться про глибокий reasoning і мультимодальність, я порівнюю з Gemini 3.1 Pro. Там, де йдеться про агентне кодування й ціну, — з Gemini 3.5 Flash. Це не спроба "натягнути" вигідне порівняння в кожному розділі, а чесне визнання того, що у Google немає прямого аналога Sonnet 5 за позиціонуванням "середній сегмент, орієнтований на агентність".
Ціна та тарифікація довгого контексту
| Модель |
Вхід (за 1M, ≤200K) |
Вихід (за 1M, ≤200K) |
Понад 200K токенів |
| Claude Sonnet 5 |
$2 (потім $3) |
$10 (потім $15) |
Без надбавки |
| Gemini 3.1 Pro |
$2 |
$12 |
Вища ставка на весь запит |
| Gemini 3.5 Flash |
$1.50 |
$9 |
— |
За базовою ставкою до 200K токенів Gemini 3.1 Pro і Sonnet 5 (за стартовою ціною) майже однакові за вхідними токенами, але Gemini дорожчий на вихід. Ключова відмінність — у механіці тарифікації довгого контексту: Google тарифікує весь запит за вищою ставкою, щойно вхід перевищує 200 тисяч токенів — тобто, на відміну від Sonnet 5, де ціна за токен однакова на всьому 1M вікні, у Gemini є чіткий поріг, після якого кожен токен запиту (не тільки надлишкові) коштує дорожче.
Це вже третій різний підхід до тарифікації довгого контексту, який я розбираю в цьому кластері статей: Sonnet 5 — рівна ціна на весь 1M, GPT-5.5 — поріг на 272K, Gemini 3.1 Pro — поріг на 200K. Якщо ваш типовий запит регулярно перетинає поріг конкретного провайдера, це вплине на бюджет сильніше, ніж різниця в базовій ставці за токен.
Контекстне вікно та мультимодальність
Формально контекстні вікна близькі: 1M токенів у Gemini 3.1 Pro проти 1M у Sonnet 5, хоча максимальний вивід у Gemini суттєво менший — 64K токенів проти 128K у Sonnet 5.
Реальна відмінність — не в розмірі вікна, а в тому, що саме в нього можна покласти. Gemini 3 — нативно мультимодальна модель, що працює з текстом, зображеннями, аудіо та відео в одному запиті. Sonnet 5 приймає текст, зображення та файли, але не аудіо чи відео напряму. Це не про "краще/гірше" — це про різний клас задач: якщо потрібно проаналізувати годинний відеозапис наради чи аудіозапис дзвінка без окремого етапу транскрипції, Gemini 3.1 Pro технічно може зробити це одним запитом, а для Sonnet 5 знадобиться окремий інструмент транскрипції на вході пайплайна. Докладніше про особливості контекстних вікон LLM читайте в матеріалі Контекстне вікно LLM: чому AI забуває і скільки це коштує.
Для переважної більшості задач, з якими я працюю у власних проєктах (текстові документи, код, RAG над PDF), ця різниця не критична — обидві моделі впораються однаково добре. Але якщо ваш продукт хоч частково працює з аудіо чи відео, це єдиний критерій у цьому порівнянні, який може закрити питання ще до розгляду бенчмарків.
Бенчмарки програмування
| Бенчмарк |
Claude Sonnet 5 |
Gemini 3.1 Pro |
Gemini 3.5 Flash |
| SWE-bench Pro |
63,2% |
—* |
55,1% |
| SWE-bench Verified |
85,2% |
80,6% |
—* |
| Terminal-Bench 2.1 |
80,4% |
—* |
76,2% |
* Google не публікувала порівнянну цифру для цього конкретного бенчмарку й версії — не вигадую число, якого немає в офіційних матеріалах.
На SWE-bench Verified Sonnet 5 випереджає Gemini 3.1 Pro (80,6%) приблизно на 4,5 пункти. З ціновим конкурентом Gemini 3.5 Flash розрив на SWE-bench Pro та Terminal-Bench трохи більший — 8 і 4 пункти відповідно, — що логічно, оскільки Flash явно позиціонується як бюджетна, а не флагманська модель для кодування.
Важливо: Google прямо визнає, що на спеціалізованих кодових бенчмарках (Terminal-Bench 2.0, SWE-Bench Pro) лідирують саме конкуренти, а не Gemini 3.1 Pro — сама компанія фокусує заяви про лідерство навколо reasoning-бенчмарків, а не кодування. Це узгоджується з цифрами вище й додає їм довіри — коли лабораторія сама не претендує на лідерство там, де програє, це хороший сигнал, що решта заявлених цифр теж не підкручені.
Reasoning та наукові задачі
Тут перевага чітко на боці Google. На ARC-AGI-2 — бенчмарку абстрактного міркування, який вважається одним з найважчих для LLM — Gemini 3.1 Pro показує 77,1%, що більш ніж удвічі перевищує результат попередньої версії Gemini 3 Pro (31,1%). На GPQA Diamond (докторський рівень наукових питань) результат — 94,3%.
Прямого порівнюваного числа для Sonnet 5 на ARC-AGI-2 в офіційних матеріалах Anthropic немає — я не можу коректно зіставити ці конкретні цифри. Але сама постановка пріоритетів двох компаній тут показова: Anthropic явно оптимізує Sonnet 5 під агентну корисність (доведення задач до кінця, кодування, computer use), тоді як Google в цьому релізі явно тисне на "чистий" reasoning і науково-математичні задачі. Для дослідницьких команд, де метрика успіху — правильна відповідь на складне наукове питання, а не виконання багатокрокового бізнес-процесу, це реальна причина розглянути Gemini 3.1 Pro в першу чергу.
Агентні можливості та Google Antigravity
Google просуває агентні можливості Gemini 3 через окрему платформу Antigravity — середовище, де модель напряму керує редактором коду, терміналом і браузером для наскрізного виконання задач, концептуально схоже на те, що Claude робить через computer use і Claude Code.
На OSWorld (комп'ютерне використання) Gemini 3.1 Pro показує 78,4% — близько до показника Sonnet 5 (81,2%) з того самого класу задач, різниця в межах кількох пунктів. На агентних воркфлоу (MCP Atlas) Gemini заявляє 83,6%, хоча прямого аналога цього бенчмарку в матеріалах Anthropic немає, щоб зіставити напряму.
Практично обидві екосистеми зараз пропонують подібний набір агентних примітивів — керування браузером, терміналом, MCP-інтеграції. Вибір між ними на рівні "хто краще виконує агентну задачу" зараз ближчий до паритету, ніж різниця в 5-10 пунктів, яку часто підкреслюють у маркетингових матеріалах обох компаній.
Екосистемна інтеграція
Це нетехнічний, але практично важливий фактор, якого не було в порівнянні з GPT-5.5 чи Kimi. Gemini 3 глибоко інтегрована в екосистему Google — Workspace (Docs, Sheets, Gmail), Vertex AI, Android Studio, NotebookLM. Якщо команда вже працює в Google Workspace, підключення Gemini не вимагає окремої інтеграційної роботи — модель вже "всередині" звичних інструментів.
У власній практиці я збираю агентні пайплайни на Spring AI поверх різних провайдерів моделей саме тому, що прив'язка до однієї екосистеми — це компроміс, який варто усвідомлювати заздалегідь. Anthropic, навпаки, не намагається бути частиною ширшого продуктивного стеку — Sonnet 5 доступний через API, Bedrock, Vertex AI, і інтеграція завжди відбувається на боці розробника. Для команди, що вже глибоко в Google Workspace, це реальний аргумент на користь Gemini поза будь-якими бенчмарками. Для команди з незалежним, кастомним агентним стеком (як у мене) ця перевага не має значення — обидві моделі однаково доступні через звичайний API-виклик.
Зведена таблиця порівняння
| Критерій |
Переможець |
| Ціна за токен (базова ставка) |
Приблизний паритет |
| Тарифікація довгого контексту |
Claude Sonnet 5 (немає порогу) |
| Мультимодальність (аудіо/відео) |
Gemini 3.1 Pro (єдина з трьох) |
| SWE-bench Verified/Pro |
Claude Sonnet 5 |
| Абстрактний reasoning (ARC-AGI-2, GPQA) |
Gemini 3.1 Pro |
| Computer use (OSWorld) |
Приблизний паритет |
| Екосистемна інтеграція |
Залежить від наявного стеку команди |
Ця таблиця свідомо не зводиться до одного переможця більше, ніж будь-яка інша в цьому кластері — тут навіть менше однозначних перемог, ніж у порівнянні з GPT-5.5 чи Kimi. Це чесно відображає ситуацію: Gemini 3 і Sonnet 5 оптимізовані під різні пріоритети (reasoning + мультимодальність проти агентної корисності + передбачувана економіка), а не змагаються в одній і тій самій категорії.
Що обрати для мультимодальних задач
Якщо продукт працює з відео чи аудіо напряму (аналіз записів нарад, обробка медіафайлів без окремої транскрипції) — Gemini 3.1 Pro єдина з трьох моделей у цьому порівнянні, яка робить це нативно одним запитом. Тут вибір не потребує довгих роздумів.
Що обрати для наукових/дослідницьких задач
Для задач з високою вагою "чистого" абстрактного reasoning — наукові гіпотези, складна математика, задачі на кшталт ARC-AGI-2 — цифри Gemini 3.1 Pro сильніші за офіційними даними обох компаній. Я б розглядав Gemini 3.1 Pro як першу кандидатуру для дослідницьких воркфлоу, а не для продакшн-агентів.
Що обрати для агентного кодування в продакшн
На SWE-bench Verified/Pro і Terminal-Bench Sonnet 5 попереду обох моделей Gemini, а тарифікація довгого контексту без порогу дає передбачуванішу економіку для агентів, що активно використовують велике контекстне вікно. Для продакшн-кодових агентів я б починав тестування саме з Sonnet 5, а Gemini 3.1 Pro тримав як кандидата для задач, де потрібен саме сильніший reasoning, а не сира швидкість виконання кодових змін.
Часті запитання
З якою моделлю Gemini правильно порівнювати Sonnet 5?
З обома, залежно від задачі. Gemini 3.1 Pro — прямий конкурент за класом "флагман": порівнюйте з нею, якщо вас цікавить reasoning, наукові задачі чи мультимодальність. Gemini 3.5 Flash — конкурент за ціновим позиціонуванням і агентним кодуванням: порівнюйте з нею, якщо основний критерій — вартість токена при масовому агентному використанні. Брати "середнє" між двома моделями Gemini як єдину точку порівняння не варто — це дасть спотворену картину, оскільки Pro і Flash оптимізовані під різні сценарії, і жодна окрема цифра не описує обидві одночасно.
Чи працює Sonnet 5 з відео та аудіо?
Ні, напряму не приймає — модель обмежена текстом, зображеннями та файловими входами. Gemini 3.1 Pro — єдина з трьох моделей у цьому порівнянні з нативною підтримкою аудіо й відео в одному запиті, без окремого етапу транскрипції чи попередньої обробки медіафайлу. Якщо потрібно обробити відео чи аудіо через Sonnet 5, доведеться додавати окремий інструмент транскрипції (наприклад Whisper чи подібний) на вході власного пайплайна — це технічно можливо, але додає окремий крок і залежність, якої немає при роботі з Gemini напряму.
Яка модель краща для кодування?
За офіційними бенчмарками (SWE-bench Verified — 85,2% проти 80,6%; SWE-bench Pro — 63,2% проти 55,1% у Gemini 3.5 Flash; Terminal-Bench 2.1 — 80,4% проти 76,2%) Sonnet 5 попереду обох моделей Gemini з відривом приблизно 4-8 пунктів залежно від конкретного бенчмарку. Важливо зважати на контекст: сама Google не заявляє лідерства на цих спеціалізованих кодових бенчмарках і фокусує маркетингові твердження навколо reasoning-показників — тобто це не суперечлива, а узгоджена картина з обох боків. Якщо кодування — основний сценарій використання, я б починав тестування саме зі Sonnet 5, а не з моделей Gemini.
Чи є в Gemini надбавка за довгий контекст?
Так, і це одна з найпрактичніших відмінностей у цьому порівнянні. Щойно вхідний запит перевищує поріг у 200 тисяч токенів, Google тарифікує весь запит за вищою ставкою — а не лише токени понад поріг. У Sonnet 5 такого порогу немає взагалі: ціна за токен однакова на всьому вікні в 1 мільйон токенів, від першого до останнього. Це третій різний підхід до тарифікації довгого контексту серед моделей, які я розбираю в цьому кластері статей (у GPT-5.5 поріг стоїть на 272 тисячах). Практичний наслідок: якщо ваші типові запити регулярно перетинають позначку 200K — рахуйте не номінальну ціну за токен, а очікувану вартість типового запиту з урахуванням порога, інакше бюджет на Gemini може виявитись більшим, ніж здається з першого погляду на прайслист.
Читайте також:
