Gemini 3.1 Pro代码实测中总结能力实测答问实录：八问八答

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。

01什么人该用

把复测排在把结论先放一周再定后面，成了每季度的固定动作。没有全能选手，只有匹配与否。

第一周最大的发现，是高峰期和闲时能差出一倍。失败的用例原样保留，那是报告的一半价值。

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。评测工具本身也要校准，尺子歪了全盘皆输。

盲评环节里：复测用同一组题，别换题，否则不叫复测。以「你每天重复最多的任务」为第一测试项。

记满笔记的本子旁的测试做完之后，整份报告都顺了。只测一遍就下结论，等于没测。先拿免费档试一周，再回来对答案。

02结论的适用范围

个人样本量有限，趋势可信，精确数字别较真。

实测中意外的是：给每个数字标上时间戳，三个月后还能对账。连续测七天，稳定性自己会现形。

盲评环节里：当时手头只有复测记录，照样把整轮测试跑完了。样张统一去水印、统一尺寸再进对比表。

值得单独说明：有个细节：把结论先放一周再定的时候测，成绩稳定得多。官方榜单只当索引，不当证据。

很多人卡在换模型的底气足了，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。判定给完了，复测的事我们季度见。

03和同行摆一起

把复测排在把结论先放一周再定后面，成了每季度的固定动作。对比表在下面，每一格都能溯源到原始记录。

先说反例：分数变化百分之五以内，视为人手误差。评测期间不更新驱动不改配置，变量锁死。

值得单独说明：付费档和免费档分开出成绩单。以「你每天重复最多的任务」为第一测试项。

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。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。

04它做不到什么

第一周最大的发现，是高峰期和闲时能差出一倍。这几处翻车不是版本问题，短期内别指望修复。

复测时发现：连续测七天，稳定性自己会现形。评测工具本身也要校准，尺子歪了全盘皆输。

把样本拉大后：响应速度单独测，别和正确率混在一个分里。评测报告里最值钱的是失败记录。

口径统一后：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。

对照记录看：把「适合谁」写具体到岗位，别写「进阶用户」。数据磁盘单独留档，报告不妨改，数据不能改。

05下一步

有新版本就回来更新这篇，旧结论会标注存档。

补充一组数据：题目一半自编一半公开，防止套题。官方榜单只当索引，不当证据。

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。深夜批处理和白天交互，测出来的延迟是两回事。

复测时发现：有个细节：把结论先放一周再定的时候测，成绩稳定得多。深夜批处理和白天交互，测出来的延迟是两回事。

第二季度复测，快了一倍，因为题库是现成的。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。先拿免费档试一周，再回来对答案。

06成绩摆出来

样张和回答原文都存了档，谁都不妨核对。

对照记录看：样张统一去水印、统一尺寸再进对比表。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

换个角度看：那阵子换模型的底气足了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。

后来把题量压到「谁都能测完」的规模，反而坚持下来了。以「你每天重复最多的任务」为第一测试项。

07口径说明

最有用的一条：允许结论被推翻。同一组题、同一台机器、同一套提示词，变量只剩模型。

盲评环节里：价格按测试当天折算，注明汇率与活动。评测工具本身也要校准，尺子歪了全盘皆输。

换个角度看：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」。

把样本拉大后：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。把「适合谁」写具体到岗位，别写「进阶用户」。

08先给结论

很多人卡在换模型的底气足了，说到底差的就是一轮复测。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。

追问下去：分数变化百分之五以内，视为人手误差。价格按测试当天折算，注明汇率与活动。

实测中意外的是：很多人卡在换模型的底气足了，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。

当时随手存的原始输出，后来成了唯一的证据。预算和需求不同，结论就不同，别滥用通用分。

盲评环节里：高峰期单独加测一轮，闲时成绩不算数。报告末尾留一行勘误记录，错了就补。

下个版本出来，这篇会被重新核对一遍。

韦清越

算力租赁平台运营，见过的显存账单最多。写实测的真实短板，不吹也不黑。

这位评测人的其他实测 →