Gemini 3.1 Pro付费档横评短板场景盘点适不适合你？对号入座
每个数字都标了测试条件，欢迎复测。
下面这些，都是亲手测过才敢写。
常见翻车点对照
评测执行中的高频错误。
| 环节 | 翻车点 | 后果 | 对策 |
|---|---|---|---|
| 选题 | 全是公开套题 | 成绩虚高 | 一半自编 |
| 环境 | 配置中途变动 | 成绩不可比 | 锁死配置 |
| 盲评 | 品牌信息泄露 | 评分偏移 | 去标识编号 |
| 统计 | 只报均值 | 掩盖抖动 | 报中位数+区间 |
| 结论 | 当天就发布 | 无法推翻 | 压三天再发 |
01结论先行
很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。先说判定：值得测的场景多，值得付钱的场景少。
盲评环节里：把反对意见原样贴出来，比一致好评有用。引用别人的数据必须标来源和测试条件。
现在回看，被榜单带了节奏几乎是必然的。评测报告里最值钱的是失败记录。
值得单独说明：很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。只测一遍就下结论，等于没测。分数是死的，你的任务才是活的。
02先亮方法
评测表格的格子间的测试做完之后，整份报告都顺了。方法不公开的评测都是印象分。
盲评环节里：具体说评测表格的格子间那一轮：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。
把样本拉大后：把盲测编号固定放在评测表格的格子间，测试条件再没乱过。每组测试至少三遍，取中位数，抖动大就重测。
先说反例：样本量写清楚，十道题的结论撑不起「完胜」。高峰期单独加测一轮，闲时成绩不算数。
复测时发现：这事没捷径，只有不跳步。盲评时把品牌信息全部去掉，编号打乱。
一轮评测的工时构成
03失分点分析
多花了一杯咖啡的时间核对来源，省下了一次翻车。失分的题逐条看了，原因不是能力是策略。
实测中意外的是：付费档和免费档分开出成绩单。结论先行不是抢跑，是对读者时间的基本尊重。
账单摊开算：那一个月只加了一个习惯：先亮方法再亮结论。报告末尾留一行勘误记录，错了就补。
值得单独说明：很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。评测工具本身也要校准，尺子歪了全盘皆输。
实测中意外的是：那一个月只加了一个习惯：先亮方法再亮结论。只测一遍就下结论，等于没测。数据都在附录，不信就来复现。
04横向相对而言
评测表格的格子间的测试做完之后，整份报告都顺了。总分接近时，看分项：你的主力场景赢的才算赢。
先说反例：样本量写清楚，十道题的结论撑不起「完胜」。报告末尾留一行勘误记录，错了就补。
现在回看，被榜单带了节奏几乎是必然的。测速脚本开源出来，接受同样的审视。
追问下去：那阵子盲测猜中了谁是谁是整份报告里最硬的一条。付费档和免费档分开出成绩单。
很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。数据磁盘单独留档，报告不妨改，数据不能改。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 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
05问答实录
当时手头只有盲测编号，照样把整轮测试跑完了。问答比正文诚实，语气都保留了。
值得单独说明：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。客服响应也算进总分，售后是产品的一部分。
先说反例：价格按测试当天折算，注明汇率与活动。引用别人的数据必须标来源和测试条件。
评测表格的格子间的测试做完之后，整份报告都顺了。每一项评分都要能追溯到原始记录。
口径统一后：评测表格的格子间的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。结论不妨质疑，方法随时欢迎检查。
06实测证据
后来把题量压到「谁都能测完」的规模，反而坚持下来了。数据先摆事实：强项强多少，弱项弱多少。
补充一组数据：有个细节：把缺点写进复测清单的时候测，成绩稳定得多。每组测试至少三遍，取中位数，抖动大就重测。
实测中意外的是：盲评时把品牌信息全部去掉，编号打乱。高峰期单独加测一轮，闲时成绩不算数。
试过更花哨的评测框架，最后退回一张表格。价格按测试当天折算，注明汇率与活动。先拿免费档试一周，再回来对答案。
07跟踪安排
试过更花哨的评测框架，最后退回一张表格。本期未尽事项列了清单，逐项跟进。
口径统一后：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。
换个角度看：被推翻的结论不删除，划线存档并注明。报告末尾留一行勘误记录，错了就补。
试过更花哨的评测框架，最后退回一张表格。把对手的优点也写出来，报告才立得住。
- 折算单价 按真实用量
- 高峰加测 闲时成绩不算数
- 盲评打分 去品牌编号乱序
- 冻结题库 一半自编防套题
08对号入座
没有全能选手，只有匹配与否。
盲评环节里：没什么诀窍，就是每个数字都留了原始记录。别用厂商给的演示样例，那是考过的题。
补充一组数据：结论与口碑冲突时，两头都重查一遍。评测工具本身也要校准，尺子歪了全盘皆输。
复测时发现：具体说评测表格的格子间那一轮：盲评顺序记错了一次，整组作废重来。给每个数字标上时间戳，三个月后还能对账。
先说反例：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。先拿免费档试一周，再回来对答案。
09免责与说明
当时随手存的原始输出，后来成了唯一的证据。结论只代表测试当天的版本，下个版本可能翻案。
账单摊开算：把对手的优点也写出来，报告才立得住。评测工具本身也要校准，尺子歪了全盘皆输。
补充一组数据：评测表格的格子间的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
值得单独说明：第二季度复测，快了一倍，因为题库是现成的。以「你每天重复最多的任务」为第一测试项。
最有用的一条：允许结论被推翻。长期订阅前，先看它最近两季的更新日志。
下个版本出来，这篇会被重新核对一遍。
常被问到的
- Gemini 3.1 Pro值得为了评测里的一个优点订阅吗？
- 把那个优点换算成你的使用频率：每周都用得上就值，一个月一次就先用免费档。
- 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。
- 免费档和付费档值得分开测吗？
- 必须分开。两档背后常是不同规格的模型，混在一起评会得出「时好时坏」的假结论。