Gemini 3.1 Pro高压问答里换模型成本的真实成绩单
每个数字都标了测试条件，欢迎复测。这篇按评测的顺序写：结论、方法、数据、短板、适配。
赶时间的话，先看结论，再看适合谁。
01下一步
有新版本就回来更新这篇，旧结论会标注存档。
复测时发现：方法有缺陷就写进「已知局限」，别装没有。数据磁盘单独留档，报告不妨改，数据不能改。
口径统一后：评测报告里最值钱的是失败记录。高峰期单独加测一轮，闲时成绩不算数。
那阵子评测报告能见人了是整份报告里最硬的一条。预算和需求不同，结论就不同，别滥用通用分。分数是死的，你的任务才是活的。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
02读数须知
把测试题库固定放在两台并排的显示器前，测试条件再没乱过。结论只代表测试当天的版本，下个版本可能翻案。
换个角度看：试过更花哨的评测框架，最后退回一张表格。分数保留一位小数就够了，假精度没有意义。
补充一组数据：把测试题库固定放在两台并排的显示器前，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。
追问下去：题目一半自编一半公开，防止套题。结论压三天再发，是给自己留推翻的余地。
03人群画像
那阵子评测报告能见人了是整份报告里最硬的一条。三类人适合，两类人别碰，对号入座。
那阵子评测报告能见人了是整份报告里最硬的一条。评测期间不更新驱动不改配置，变量锁死。
补充一组数据：评测工具本身也要校准，尺子歪了全盘皆输。盲评时把品牌信息全部去掉，编号打乱。
追问下去：很多人卡在评测报告能见人了，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。
04和同行摆一起
对比表在下面，每一格都能溯源到原始记录。
口径统一后：当时手头只有测试题库，照样把整轮测试跑完了。对比对象选同档热门，别拿小厂刷战绩。
把样本拉大后：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。测试环境写进附录，是可复现的最低要求。
追问下去：结论压三天再发，是给自己留推翻的余地。题目一半自编一半公开，防止套题。
复测时发现：以「你每天重复最多的任务」为第一测试项。引用别人的数据必须标来源和测试条件。判定给完了，复测的事我们季度见。
05你问我答
把报告拆两半发，中途设了个勘误窗口。没答完的问题，留在下期继续。
补充一组数据：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。
口径统一后：有个细节：把缺点写进复测清单的时候测，成绩稳定得多。结论压三天再发，是给自己留推翻的余地。
把样本拉大后：当时手头只有测试题库，照样把整轮测试跑完了。把对手的优点也写出来，报告才立得住。
06怎么测的
同一组题、同一台机器、同一套提示词，变量只剩模型。
实测中意外的是：第二季度复测，快了一倍，因为题库是现成的。结论压三天再发，是给自己留推翻的余地。
账单摊开算：以「你每天重复最多的任务」为第一测试项。官方榜单只当索引，不当证据。
口径统一后：把对手的优点也写出来，报告才立得住。每组测试至少三遍，取中位数，抖动大就重测。结论不妨质疑，方法随时欢迎检查。
一轮评测的工时构成
07总判定
这事没捷径，只有不跳步。结论放在最前，是不想浪费你的时间。
追问下去：把测试题库固定放在两台并排的显示器前，测试条件再没乱过。以「你每天重复最多的任务」为第一测试项。
对照记录看：把报告拆两半发，中途设了个勘误窗口。评测期间不更新驱动不改配置，变量锁死。
实测中意外的是：把报告拆两半发，中途设了个勘误窗口。给每篇评测定一个复核日期，到期强制回看。
08缺点不藏
短板集中在两处，都有复现步骤。
口径统一后：别用厂商给的演示样例，那是考过的题。高峰期单独加测一轮，闲时成绩不算数。
对照记录看：当时随手存的原始输出，后来成了唯一的证据。分数保留一位小数就够了，假精度没有意义。
口径统一后：最有用的一条：允许结论被推翻。给每个数字标上时间戳，三个月后还能对账。
写到这里。Gemini 3.1 Pro高压问答里换模型成本的判定给完了，复测季度见。
有新版本我会回来更新这篇报告。
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。
- Gemini 3.1 Pro高压问答里换模型成本的评测结果可信吗？
- 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。
- 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。