Gemini 3.1 Pro代码实测中退订原因分析实测报告：结论先行
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。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01下一步
下期测它的直接对手，选题在评论区投票。
追问下去：付费档和免费档分开出成绩单。让没用过的人参与盲评，老手会被经验污染。
盲评环节里：数据磁盘单独留档，报告不妨改，数据不能改。样张统一去水印、统一尺寸再进对比表。
当时随手存的原始输出，后来成了唯一的证据。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：具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。复测用同一组题，别换题，否则不叫复测。分数是死的，你的任务才是活的。
盲评与跑分的相关性（示意）
02免责与说明
很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。个人样本量有限，趋势可信，精确数字别较真。
把样本拉大后：样本量写清楚，十道题的结论撑不起「完胜」。分数保留一位小数就够了，假精度没有意义。
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。价格按测试当天折算，注明汇率与活动。
那一个月只加了一个习惯：先亮方法再亮结论。分数保留一位小数就够了，假精度没有意义。先拿免费档试一周，再回来对答案。
“先说缺点，再谈优点。”
03失分点分析
具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。先把丑话说完，剩下的才好意思夸。
追问下去：测速脚本开源出来，接受同样的审视。给每篇评测定一个复核日期，到期强制回看。
换个角度看：失败的用例原样保留，那是报告的一半价值。高峰期单独加测一轮，闲时成绩不算数。
值得单独说明：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。
先说反例：两台并排的显示器前的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
04结论先行
两台并排的显示器前的测试做完之后，整份报告都顺了。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
先说反例：引用别人的数据必须标来源和测试条件。让没用过的人参与盲评，老手会被经验污染。
值得单独说明：把盲测编号固定放在两台并排的显示器前，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。
值得单独说明：最有用的一条：允许结论被推翻。数据磁盘单独留档，报告不妨改，数据不能改。判定给完了，复测的事我们季度见。
05什么人该用
没有全能选手，只有匹配与否。
对照记录看：付费档和免费档分开出成绩单。把对手的优点也写出来，报告才立得住。
值得单独说明：没什么诀窍，就是每个数字都留了原始记录。高峰期单独加测一轮，闲时成绩不算数。
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。结论压三天再发，是给自己留推翻的余地。
| 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 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
06怎么测的
方法不公开的评测都是印象分。
现在回看，只测了一遍就下结论几乎是必然的。每组测试至少三遍，取中位数，抖动大就重测。
换个角度看：测速脚本开源出来，接受同样的审视。响应速度单独测，别和正确率混在一个分里。
实测中意外的是：预算和需求不同，结论就不同，别滥用通用分。客服响应也算进总分，售后是产品的一部分。
实测中意外的是：把盲测编号固定放在两台并排的显示器前，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。
07同题对决
对决结果有个反转，评论区先别吵。
值得单独说明：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。结论压三天再发，是给自己留推翻的余地。
把样本拉大后：很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。评测期间不更新驱动不改配置，变量锁死。
补充一组数据：很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。只测一遍就下结论，等于没测。
数据和短板都摆全了，放心引用。
常被问到的
- Gemini 3.1 Pro代码实测中退订原因分析的评测结果可信吗？
- 可信度看三件事：题目是否公开、是否盲测、是否可复测。满足三条的评测才值得引用，缺一条就当参考。
- 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。