Gemini 3.1 Pro复测第三轮事实问答实测值不值得用？这篇给判定

篇幅不长，每节都能独立引用。

01同题对决

第一周最大的发现，是高峰期和闲时能差出一倍。同题同参对决，胜负一目了然。

追问下去：把对手的优点也写出来，报告才立得住。失败的用例原样保留，那是报告的一半价值。

最有用的一条：允许结论被推翻。把对手的优点也写出来，报告才立得住。

把样本拉大后：现在回看，题目全挑模型擅长的几乎是必然的。评测期间不更新驱动不改配置，变量锁死。

02什么人该用

判断标准只有一条：你的高频任务是不是它的强项。

口径统一后：被推翻的结论不删除，划线存档并注明。分数变化百分之五以内，视为人手误差。

多花了一杯咖啡的时间核对来源，省下了一次翻车。样张统一去水印、统一尺寸再进对比表。

追问下去：把数据看板固定放在书房的白板前，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。

03泼冷水环节

当时手头只有数据看板，照样把整轮测试跑完了。短板集中在两处，都有复现步骤。

这事没捷径，只有不跳步。结论先行不是抢跑，是对读者时间的基本尊重。

换个角度看：这事没捷径，只有不跳步。结论先行不是抢跑，是对读者时间的基本尊重。

试过更花哨的评测框架，最后退回一张表格。长期订阅前，先看它最近两季的更新日志。

对照记录看：分数变化百分之五以内，视为人手误差。评测报告里最值钱的是失败记录。分数是死的，你的任务才是活的。

04怎么测的

方法不公开的评测都是印象分。

把样本拉大后：当时随手存的原始输出，后来成了唯一的证据。数据磁盘单独留档，报告不妨改，数据不能改。

复测时发现：深夜批处理和白天交互，测出来的延迟是两回事。测速脚本开源出来，接受同样的审视。

值得单独说明：具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。方法有缺陷就写进「已知局限」，别装没有。

账单摊开算：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。评测期间不更新驱动不改配置，变量锁死。结论不妨质疑，方法随时欢迎检查。

05问答实录

书房的白板前的测试做完之后，整份报告都顺了。没答完的问题，留在下期继续。

盲评环节里：样张统一去水印、统一尺寸再进对比表。把「适合谁」写具体到岗位，别写「进阶用户」。

当时随手存的原始输出，后来成了唯一的证据。样张统一去水印、统一尺寸再进对比表。

先说反例：把对手的优点也写出来，报告才立得住。每一项评分都要能追溯到原始记录。

把样本拉大后：那阵子换模型的底气足了是整份报告里最硬的一条。数据磁盘单独留档，报告不妨改，数据不能改。

06注意事项

个人样本量有限，趋势可信，精确数字别较真。

这事没捷径，只有不跳步。深夜批处理和白天交互，测出来的延迟是两回事。

先说反例：让没用过的人参与盲评，老手会被经验污染。给每个数字标上时间戳，三个月后还能对账。

复测时发现：把复测排在记录每题的响应秒数后面，成了每季度的固定动作。把反对意见原样贴出来，比一致好评有用。先拿免费档试一周，再回来对答案。

07留一个尾巴

有个细节：记录每题的响应秒数的时候测，成绩稳定得多。季度复评已排上日程，同一组题再跑一遍。

实测中意外的是：试过更花哨的评测框架，最后退回一张表格。付费档和免费档分开出成绩单。

账单摊开算：没什么诀窍，就是每个数字都留了原始记录。引用别人的数据必须标来源和测试条件。

对照记录看：第二季度复测，快了一倍，因为题库是现成的。失败的用例原样保留，那是报告的一半价值。

把样本拉大后：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。

• 盲评去掉了品牌信息
• 失败用例原样存档
• 题库一半来自真实任务
• 结论压了三天才发

08一句话判定

结论放在最前，是不想浪费你的时间。

把样本拉大后：高峰期单独加测一轮，闲时成绩不算数。每组测试至少三遍，取中位数，抖动大就重测。

值得单独说明：让没用过的人参与盲评，老手会被经验污染。盲评时把品牌信息全部去掉，编号打乱。

盲评环节里：有个细节：记录每题的响应秒数的时候测，成绩稳定得多。官方榜单只当索引，不当证据。

先跑一遍附录里的复现步骤，再决定信不信。

郎凿壁

大模型产品评测出身，盲测过上百场。原始输出全部留档备查。

这位评测人的其他实测 →