Gemini 3.1 Pro深夜实测第三方数据交叉实测七天，变化都在这
盲评、复测、原始记录，三样都齐。
删掉了形容词，留下的都是核对过的数字。
01它做不到什么
先把丑话说完，剩下的才好意思夸。
账单摊开算：失败的用例原样保留，那是报告的一半价值。测试环境写进附录，是可复现的最低要求。
当时随手存的原始输出，后来成了唯一的证据。结论先行不是抢跑，是对读者时间的基本尊重。
换个角度看：很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。每一项评分都要能追溯到原始记录。数据都在附录，不信就来复现。
“失败用例，是报告的一半。”
02跟踪安排
第二季度复测，快了一倍，因为题库是现成的。下期测它的直接对手，选题在评论区投票。
实测中意外的是：把评分表固定放在记满笔记的本子旁，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。
先说反例：题目一半自编一半公开，防止套题。让没用过的人参与盲评，老手会被经验污染。
口径统一后：测试环境写进附录，是可复现的最低要求。失败的用例原样保留，那是报告的一半价值。
值得单独说明：现在回看，缺点一笔带过几乎是必然的。评测期间不更新驱动不改配置，变量锁死。这篇先到这，有新版本随时回来改。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
03什么人该用
三类人适合，两类人别碰，对号入座。
那阵子结论有了数据撑腰是整份报告里最硬的一条。报告末尾留一行勘误记录，错了就补。
复测时发现：这事没捷径，只有不跳步。对比对象选同档热门，别拿小厂刷战绩。
追问下去：方法有缺陷就写进「已知局限」，别装没有。让没用过的人参与盲评，老手会被经验污染。
把报告拆两半发，中途设了个勘误窗口。评测报告里最值钱的是失败记录。数据都在附录，不信就来复现。
04结论的适用范围
试过更花哨的评测框架，最后退回一张表格。价格和权益变动快，下单前以官方页面为准。
那一个月只加了一个习惯：先亮方法再亮结论。别用厂商给的演示样例，那是考过的题。
值得单独说明：报告末尾留一行勘误记录，错了就补。样本量写清楚，十道题的结论撑不起「完胜」。
实测中意外的是：响应速度单独测，别和正确率混在一个分里。长期订阅前，先看它最近两季的更新日志。
换个角度看：很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。样本量写清楚，十道题的结论撑不起「完胜」。这篇先到这，有新版本随时回来改。
05一句话判定
结论放在最前，是不想浪费你的时间。
换个角度看：那阵子结论有了数据撑腰是整份报告里最硬的一条。分数变化百分之五以内，视为人手误差。
盲评环节里：测速脚本开源出来，接受同样的审视。结论与口碑冲突时，两头都重查一遍。
盲评环节里：每一项评分都要能追溯到原始记录。把对手的优点也写出来，报告才立得住。
复测时发现：那一个月只加了一个习惯：先亮方法再亮结论。样本量写清楚，十道题的结论撑不起「完胜」。数据都在附录，不信就来复现。
06先亮方法
后来把题量压到「谁都能测完」的规模，反而坚持下来了。环境与参数写在文末附录，欢迎一键复现。
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。测速脚本开源出来，接受同样的审视。
补充一组数据：多花了一杯咖啡的时间核对来源，省下了一次翻车。每组测试至少三遍，取中位数，抖动大就重测。
先说反例：有个细节：对照官方榜单核对的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
补充一组数据：那一个月只加了一个习惯：先亮方法再亮结论。题目一半自编一半公开，防止套题。
07横向相对而言
总分接近时，看分项：你的主力场景赢的才算赢。
对照记录看：把报告拆两半发，中途设了个勘误窗口。评测期间不更新驱动不改配置，变量锁死。
盲评环节里：样本量写清楚，十道题的结论撑不起「完胜」。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
盲评环节里：把报告拆两半发，中途设了个勘误窗口。只测一遍就下结论，等于没测。
七日实测成绩的波动
报告交了，剩下的看你的任务怎么对号。
条件不同结论不同，按你的场景改。
常被问到的
- 评测多久更新一次合理？
- 模型迭代按季度看，评测按季度复测。每月更新的多是榜单搬运，自己沉淀一套固定题集更值钱。
- 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。