Gemini 3.1 Pro代码实测中新手反馈梳理与同行同题对决

篇幅不长，每节都能独立引用。

这篇按评测的顺序写：结论、方法、数据、短板、适配。

01场景匹配

适不适合，取决于你每天重复最多的那件事。

实测中意外的是：这事没捷径，只有不跳步。引用别人的数据必须标来源和测试条件。

后来把题量压到「谁都能测完」的规模，反而坚持下来了。样张统一去水印、统一尺寸再进对比表。

账单摊开算：后来把题量压到「谁都能测完」的规模，反而坚持下来了。高峰期单独加测一轮，闲时成绩不算数。

值得单独说明：很多人卡在换模型的底气足了，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」。数据都在附录，不信就来复现。

02直接说答案

先亮结论，不认同的不妨直接跳到方法那一节来挑刺。

第一周最大的发现，是高峰期和闲时能差出一倍。以「你每天重复最多的任务」为第一测试项。

账单摊开算：数据磁盘单独留档，报告不妨改，数据不能改。付费档和免费档分开出成绩单。

试过更花哨的评测框架，最后退回一张表格。长期订阅前，先看它最近两季的更新日志。

盲评环节里：把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。以「你每天重复最多的任务」为第一测试项。

03怎么测的

方法不公开的评测都是印象分。

追问下去：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。

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。

口径统一后：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。被推翻的结论不删除，划线存档并注明。

复测时发现：多花了一杯咖啡的时间核对来源，省下了一次翻车。失败的用例原样保留，那是报告的一半价值。结论不妨质疑，方法随时欢迎检查。

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。把边界写明白，是评测的基本操守。

值得单独说明：后来把题量压到「谁都能测完」的规模，反而坚持下来了。让没用过的人参与盲评，老手会被经验污染。

值得单独说明：数据磁盘单独留档，报告不妨改，数据不能改。响应速度单独测，别和正确率混在一个分里。

把报告拆两半发，中途设了个勘误窗口。把对手的优点也写出来，报告才立得住。

复测时发现：试过更花哨的评测框架，最后退回一张表格。方法有缺陷就写进「已知局限」，别装没有。

05泼冷水环节

短板集中在两处，都有复现步骤。

值得单独说明：把截图存档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。

值得单独说明：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。

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。

把样本拉大后：深夜批处理和白天交互，测出来的延迟是两回事。给每篇评测定一个复核日期，到期强制回看。

“方法公开，结论才站得住。”

06与对手对比

那一个月只加了一个习惯：先亮方法再亮结论。对决结果有个反转，评论区先别吵。

盲评环节里：付费档和免费档分开出成绩单。分数变化百分之五以内，视为人手误差。

复测时发现：分数变化百分之五以内，视为人手误差。分数变化百分之五以内，视为人手误差。

换个角度看：分数变化百分之五以内，视为人手误差。深夜批处理和白天交互，测出来的延迟是两回事。

把样本拉大后：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。付费档和免费档分开出成绩单。

07你问我答

问答比正文诚实，语气都保留了。

对照记录看：试过更花哨的评测框架，最后退回一张表格。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。盲评时把品牌信息全部去掉，编号打乱。

对照记录看：价格按测试当天折算，注明汇率与活动。每组测试至少三遍，取中位数，抖动大就重测。

口径统一后：引用别人的数据必须标来源和测试条件。报告末尾留一行勘误记录，错了就补。分数是死的，你的任务才是活的。

不着急下结论，题库随时开放。

郎凿壁

大模型产品评测出身，盲测过上百场。原始输出全部留档备查。

这位评测人的其他实测 →