有人在问Gemini 3.1 Pro中文实测后免费档适用判断，这是实测答案
压了三天才发的评测，推翻过一次结论。
篇幅不长，每节都能独立引用。
赶时间的话，先看结论，再看适合谁。
01怎么测的
这事没捷径，只有不跳步。题目一半来自真实任务，一半来自公开基准，互相校验。
对照记录看：试过更花哨的评测框架，最后退回一张表格。给每个数字标上时间戳，三个月后还能对账。
第二季度复测，快了一倍，因为题库是现成的。价格按测试当天折算，注明汇率与活动。
实测中意外的是：后来把题量压到「谁都能测完」的规模，反而坚持下来了。对比对象选同档热门，别拿小厂刷战绩。分数是死的，你的任务才是活的。
结论与口碑冲突时，两头都重查一遍。客服响应也算进总分，售后是产品的一部分。
02横向相对而言
那阵子选型会不再吵架是整份报告里最硬的一条。同题同参对决，胜负一目了然。
对照记录看：分数变化百分之五以内，视为人手误差。对比对象选同档热门，别拿小厂刷战绩。
先说反例：客服响应也算进总分，售后是产品的一部分。客服响应也算进总分，售后是产品的一部分。
复测时发现：预算和需求不同，结论就不同，别滥用通用分。结论压三天再发，是给自己留推翻的余地。
把样本拉大后：把对手的优点也写出来，报告才立得住。高峰期单独加测一轮，闲时成绩不算数。
03读数须知
把边界写明白，是评测的基本操守。
盲评环节里：把复测记录固定放在深夜的对照实验里，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。
先说反例：把报告拆两半发，中途设了个勘误窗口。评测工具本身也要校准，尺子歪了全盘皆输。
口径统一后：那阵子选型会不再吵架是整份报告里最硬的一条。被推翻的结论不删除，划线存档并注明。判定给完了，复测的事我们季度见。
04缺点不藏
短板集中在两处，都有复现步骤。
先说反例：具体说深夜的对照实验里那一轮：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。
很多人卡在选型会不再吵架，说到底差的就是一轮复测。把「适合谁」写具体到岗位，别写「进阶用户」。
先说反例：只测一遍就下结论，等于没测。把对手的优点也写出来，报告才立得住。
把样本拉大后：报告末尾留一行勘误记录，错了就补。把对手的优点也写出来，报告才立得住。
05后续计划
有新版本就回来更新这篇，旧结论会标注存档。
那阵子选型会不再吵架是整份报告里最硬的一条。别用厂商给的演示样例，那是考过的题。
盲评环节里：没什么诀窍，就是每个数字都留了原始记录。结论与口碑冲突时，两头都重查一遍。
补充一组数据：把复测记录固定放在深夜的对照实验里，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。
没什么诀窍，就是每个数字都留了原始记录。让没用过的人参与盲评，老手会被经验污染。判定给完了，复测的事我们季度见。
- 压三天 给自己留推翻余地
- 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
06得分明细
数据先摆事实：强项强多少，弱项弱多少。
换个角度看：把复测排在把两次回答并排对比后面，成了每季度的固定动作。深夜批处理和白天交互，测出来的延迟是两回事。
对照记录看：给每篇评测定一个复核日期，到期强制回看。客服响应也算进总分，售后是产品的一部分。
把复测排在把两次回答并排对比后面，成了每季度的固定动作。方法有缺陷就写进「已知局限」，别装没有。
盲评与跑分的相关性（示意）
07高频八问
整理了后台最常被问的八个问题，一次答完。
账单摊开算：当时手头只有复测记录，照样把整轮测试跑完了。引用别人的数据必须标来源和测试条件。
账单摊开算：把复测记录固定放在深夜的对照实验里，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。
复测时发现：具体说深夜的对照实验里那一轮：盲评顺序记错了一次，整组作废重来。数据磁盘单独留档，报告不妨改，数据不能改。
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。
- 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。