一份可复现的Gemini 3.1 Pro老手盲测生态对比评测
优缺点分开列，适合谁写在最后。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
篇幅不长，每节都能独立引用。
01一句话判定
先说判定：值得测的场景多，值得付钱的场景少。
当时随手存的原始输出，后来成了唯一的证据。评测期间不更新驱动不改配置，变量锁死。
试过更花哨的评测框架，最后退回一张表格。样本量写清楚，十道题的结论撑不起「完胜」。
复测数据表旁的测试做完之后，整份报告都顺了。付费档和免费档分开出成绩单。
一轮评测的工时构成
02对决结果
多花了一杯咖啡的时间核对来源，省下了一次翻车。同题同参对决，胜负一目了然。
换个角度看：这事没捷径，只有不跳步。别用厂商给的演示样例，那是考过的题。
账单摊开算：让没用过的人参与盲评，老手会被经验污染。评测期间不更新驱动不改配置，变量锁死。
试过更花哨的评测框架，最后退回一张表格。评测期间不更新驱动不改配置，变量锁死。
把样本拉大后：第一周最大的发现，是高峰期和闲时能差出一倍。测速脚本开源出来，接受同样的审视。
03读者问答复盘
把测试题库固定放在复测数据表旁，测试条件再没乱过。问答比正文诚实，语气都保留了。
第二季度复测，快了一倍，因为题库是现成的。别用厂商给的演示样例，那是考过的题。
多花了一杯咖啡的时间核对来源，省下了一次翻车。评测工具本身也要校准，尺子歪了全盘皆输。
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。样张统一去水印、统一尺寸再进对比表。
盲评环节里：最有用的一条：允许结论被推翻。测试环境写进附录，是可复现的最低要求。判定给完了，复测的事我们季度见。
- 盲评打分 去品牌编号乱序
- 压三天 给自己留推翻余地
- 冻结题库 一半自编防套题
- 高峰加测 闲时成绩不算数
04结论的适用范围
复测数据表旁的测试做完之后，整份报告都顺了。测试有边界：版本、时间、样本量都圈死了结论的适用范围。
把样本拉大后：试过更花哨的评测框架，最后退回一张表格。预算和需求不同，结论就不同，别滥用通用分。
最有用的一条：允许结论被推翻。把「适合谁」写具体到岗位，别写「进阶用户」。
追问下去：分数变化百分之五以内，视为人手误差。官方榜单只当索引，不当证据。
账单摊开算：付费档和免费档分开出成绩单。连续测七天，稳定性自己会现形。分数是死的，你的任务才是活的。
05成绩摆出来
把报告拆两半发，中途设了个勘误窗口。样张和回答原文都存了档，谁都不妨核对。
先说反例：给每篇评测定一个复核日期，到期强制回看。长期订阅前，先看它最近两季的更新日志。
换个角度看：当时手头只有测试题库，照样把整轮测试跑完了。盲评时把品牌信息全部去掉，编号打乱。
那阵子结论有了数据撑腰是整份报告里最硬的一条。失败的用例原样保留，那是报告的一半价值。
把样本拉大后：后来把题量压到「谁都能测完」的规模，反而坚持下来了。别用厂商给的演示样例，那是考过的题。数据都在附录，不信就来复现。
06口径说明
最有用的一条：允许结论被推翻。环境与参数写在文末附录，欢迎一键复现。
复测时发现：第二季度复测，快了一倍，因为题库是现成的。把反对意见原样贴出来，比一致好评有用。
那一个月只加了一个习惯：先亮方法再亮结论。方法有缺陷就写进「已知局限」，别装没有。
第二季度复测，快了一倍，因为题库是现成的。每组测试至少三遍，取中位数，抖动大就重测。
最有用的一条：允许结论被推翻。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。
07缺点不藏
把报告拆两半发，中途设了个勘误窗口。失分的题逐条看了，原因不是能力是策略。
盲评环节里：后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论先行不是抢跑，是对读者时间的基本尊重。
换个角度看：后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论与口碑冲突时，两头都重查一遍。
第二季度复测，快了一倍，因为题库是现成的。被推翻的结论不删除，划线存档并注明。
口径统一后：有个细节：把两次回答并排对比的时候测，成绩稳定得多。评测报告里最值钱的是失败记录。判定给完了，复测的事我们季度见。
- 冻结题库 一半自编防套题
- 折算单价 按真实用量
- 盲评打分 去品牌编号乱序
- 压三天 给自己留推翻余地
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。
- Gemini 3.1 Pro老手盲测生态对比的评测结果可信吗？
- 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。
- 怎么自己搭一套评测流程？
- 四步：编 30 道真实题、分五个维度、双人盲评打分、季度复测。工具不花一分钱，贵在坚持。
- 免费档和付费档值得分开测吗？
- 必须分开。两档背后常是不同规格的模型，混在一起评会得出「时好时坏」的假结论。