这一轮Gemini 3.1 Pro免费档横评同档模型对比实测，翻车了吗
每个数字都标了测试条件，欢迎复测。
删掉了形容词，留下的都是核对过的数字。
01失分点分析
先把丑话说完，剩下的才好意思夸。
口径统一后：多花了一杯咖啡的时间核对来源，省下了一次翻车。把反对意见原样贴出来，比一致好评有用。
追问下去：响应速度单独测，别和正确率混在一个分里。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
值得单独说明：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。
把样本拉大后：把复测排在让三个同事盲评后面，成了每季度的固定动作。把反对意见原样贴出来，比一致好评有用。判定给完了，复测的事我们季度见。
02横向相对而言
对比表在下面，每一格都能溯源到原始记录。
具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。只测一遍就下结论，等于没测。
实测中意外的是：多花了一杯咖啡的时间核对来源，省下了一次翻车。评测报告里最值钱的是失败记录。
实测中意外的是：书房的白板前的测试做完之后，整份报告都顺了。让没用过的人参与盲评，老手会被经验污染。
对照记录看：对比对象选同档热门，别拿小厂刷战绩。价格按测试当天折算，注明汇率与活动。
03读数须知
最有用的一条：允许结论被推翻。结论只代表测试当天的版本，下个版本可能翻案。
有个细节：让三个同事盲评的时候测，成绩稳定得多。结论压三天再发，是给自己留推翻的余地。
值得单独说明：具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。长期订阅前，先看它最近两季的更新日志。
对照记录看：给每个数字标上时间戳，三个月后还能对账。对比对象选同档热门，别拿小厂刷战绩。
| 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 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
04什么人该用
试过更花哨的评测框架，最后退回一张表格。判断标准只有一条：你的高频任务是不是它的强项。
当时随手存的原始输出，后来成了唯一的证据。给每篇评测定一个复核日期，到期强制回看。
先说反例：把对比表格固定放在书房的白板前，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。
复测时发现：具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。长期订阅前，先看它最近两季的更新日志。
五个评测维度的权重分布（参考）
05评测流程
很多人卡在值不值有了答案，说到底差的就是一轮复测。题目一半来自真实任务，一半来自公开基准，互相校验。
盲评环节里：样本量写清楚，十道题的结论撑不起「完胜」。结论先行不是抢跑，是对读者时间的基本尊重。
口径统一后：把对比表格固定放在书房的白板前，测试条件再没乱过。结论压三天再发，是给自己留推翻的余地。
多花了一杯咖啡的时间核对来源，省下了一次翻车。深夜批处理和白天交互，测出来的延迟是两回事。
先说反例：对比对象选同档热门，别拿小厂刷战绩。题目一半自编一半公开，防止套题。
06实测证据
表格里是全部原始成绩，没有挑拣。
当时手头只有对比表格，照样把整轮测试跑完了。数据磁盘单独留档，报告不妨改，数据不能改。
账单摊开算：长期订阅前，先看它最近两季的更新日志。被推翻的结论不删除，划线存档并注明。
值得单独说明：报告末尾留一行勘误记录，错了就补。把反对意见原样贴出来，比一致好评有用。
07读者问答复盘
很多人卡在值不值有了答案，说到底差的就是一轮复测。整理了后台最常被问的八个问题，一次答完。
补充一组数据：预算和需求不同，结论就不同，别滥用通用分。深夜批处理和白天交互，测出来的延迟是两回事。
书房的白板前的测试做完之后，整份报告都顺了。响应速度单独测，别和正确率混在一个分里。
把对比表格固定放在书房的白板前，测试条件再没乱过。分数保留一位小数就够了，假精度没有意义。
口径统一后：样本量写清楚，十道题的结论撑不起「完胜」。给每篇评测定一个复核日期，到期强制回看。这篇先到这，有新版本随时回来改。
“先说缺点，再谈优点。”
08直接说答案
这事没捷径，只有不跳步。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。测速脚本开源出来，接受同样的审视。
复测时发现：最有用的一条：允许结论被推翻。预算和需求不同，结论就不同，别滥用通用分。
具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。评测报告里最值钱的是失败记录。
报告交了，剩下的看你的任务怎么对号。
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。
- Gemini 3.1 Pro实测强但用着一般，为什么？
- 测试题是理想工况，你的任务是真实工况。拿自己十道高频问题重测，结果比任何榜单都准。