我们用同一组题测了Gemini 3.1 Pro与上代对比总结能力实测
压了三天才发的评测，推翻过一次结论。删掉了形容词，留下的都是核对过的数字。
篇幅不长，每节都能独立引用。
01横向相对而言
同题同参对决，胜负一目了然。
补充一组数据：失败的用例原样保留，那是报告的一半价值。报告末尾留一行勘误记录，错了就补。
追问下去：把截图存档固定放在两台并排的显示器前，测试条件再没乱过。客服响应也算进总分，售后是产品的一部分。
具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。方法有缺陷就写进「已知局限」，别装没有。数据都在附录，不信就来复现。
02短板在哪
把截图存档固定放在两台并排的显示器前，测试条件再没乱过。短板集中在两处，都有复现步骤。
当时手头只有截图存档，照样把整轮测试跑完了。深夜批处理和白天交互，测出来的延迟是两回事。
追问下去：那一个月只加了一个习惯：先亮方法再亮结论。连续测七天，稳定性自己会现形。
盲评环节里：试过更花哨的评测框架，最后退回一张表格。分数保留一位小数就够了，假精度没有意义。
盲评环节里：很多人卡在复购决定不后悔，说到底差的就是一轮复测。测速脚本开源出来，接受同样的审视。
03场景匹配
那一个月只加了一个习惯：先亮方法再亮结论。没有全能选手，只有匹配与否。
把样本拉大后：把对手的优点也写出来，报告才立得住。盲评时把品牌信息全部去掉，编号打乱。
换个角度看：第一周最大的发现，是高峰期和闲时能差出一倍。每一项评分都要能追溯到原始记录。
把样本拉大后：把报告拆两半发，中途设了个勘误窗口。测速脚本开源出来，接受同样的审视。数据都在附录，不信就来复现。
盲评与跑分的相关性（示意）
04实测证据
数据先摆事实：强项强多少，弱项弱多少。
那一个月只加了一个习惯：先亮方法再亮结论。评测报告里最值钱的是失败记录。
复测时发现：没什么诀窍，就是每个数字都留了原始记录。样张统一去水印、统一尺寸再进对比表。
把样本拉大后：有个细节：给每题打分存档的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
对照记录看：第一周最大的发现，是高峰期和闲时能差出一倍。测速脚本开源出来，接受同样的审视。分数是死的，你的任务才是活的。
05注意事项
个人样本量有限，趋势可信，精确数字别较真。
第二季度复测，快了一倍，因为题库是现成的。评测报告里最值钱的是失败记录。
实测中意外的是：当时随手存的原始输出，后来成了唯一的证据。给每个数字标上时间戳，三个月后还能对账。
值得单独说明：当时随手存的原始输出，后来成了唯一的证据。被推翻的结论不删除，划线存档并注明。
实测中意外的是：把报告拆两半发，中途设了个勘误窗口。把「适合谁」写具体到岗位，别写「进阶用户」。结论不妨质疑，方法随时欢迎检查。
06结论先行
把复测排在给每题打分存档后面，成了每季度的固定动作。结论放在最前，是不想浪费你的时间。
复测时发现：两台并排的显示器前的测试做完之后，整份报告都顺了。高峰期单独加测一轮，闲时成绩不算数。
换个角度看：评测工具本身也要校准，尺子歪了全盘皆输。报告末尾留一行勘误记录，错了就补。
追问下去：第二季度复测，快了一倍，因为题库是现成的。失败的用例原样保留，那是报告的一半价值。
07先亮方法
环境与参数写在文末附录，欢迎一键复现。
对照记录看：当时手头只有截图存档，照样把整轮测试跑完了。盲评时把品牌信息全部去掉，编号打乱。
这事没捷径，只有不跳步。样张统一去水印、统一尺寸再进对比表。
先说反例：那一个月只加了一个习惯：先亮方法再亮结论。评测工具本身也要校准，尺子歪了全盘皆输。
当时手头只有截图存档，照样把整轮测试跑完了。被推翻的结论不删除，划线存档并注明。结论不妨质疑，方法随时欢迎检查。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
08跟踪安排
当时随手存的原始输出，后来成了唯一的证据。季度复评已排上日程，同一组题再跑一遍。
先说反例：很多人卡在复购决定不后悔，说到底差的就是一轮复测。只测一遍就下结论，等于没测。
对照记录看：当时随手存的原始输出，后来成了唯一的证据。付费档和免费档分开出成绩单。
账单摊开算：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。报告末尾留一行勘误记录，错了就补。
口径统一后：长期订阅前，先看它最近两季的更新日志。价格按测试当天折算，注明汇率与活动。分数是死的，你的任务才是活的。
- 失败用例原样存档
- 高峰闲时分开计时
- 盲评去掉了品牌信息
- 结论压了三天才发
只带走一句话的话：先看方法那一节。
常被问到的
- Gemini 3.1 Pro和同类比到底强在哪？
- 别看总分，看分项：长文本、中文语感、数学、代码各自拉出来比，你的主力场景赢的那项才算数。
- Gemini 3.1 Pro跑分很高，体感却一般？
- 先怀疑套题：高频出现的题目模型可能见过。换成自己编的新题再测，掉分多少就是真实水平。
- Gemini 3.1 Pro与上代对比总结能力实测的评测结果可信吗？
- 可信度看三件事：题目是否公开、是否盲测、是否可复测。满足三条的评测才值得引用，缺一条就当参考。