Gemini 3.1 Pro代码实测中水温题与套题评测复盘：哪些结论被推翻了
不接广告不恰饭，分数只对题目负责。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。
下面这些，都是亲手测过才敢写。
适用人群对照表
不同人群该重点看哪个维度。
| 人群 | 第一维度 | 第二维度 | 提示 |
|---|---|---|---|
| 重度用户 | 成本 | 速度 | 按量细算 |
| 轻度用户 | 免费额度 | 上手难度 | 够用就好 |
| 团队决策 | 稳定 | 生态 | 先试点再推 |
| 创作者 | 质量 | 风格一致性 | 盲评样张 |
| 开发者 | 接口 | 稳定 | 看 API 文档 |
01免责与说明
那阵子盲测猜中了谁是谁是整份报告里最硬的一条。个人样本量有限，趋势可信，精确数字别较真。
复测时发现：测试环境写进附录，是可复现的最低要求。评测期间不更新驱动不改配置，变量锁死。
补充一组数据：价格按测试当天折算，注明汇率与活动。对比对象选同档热门，别拿小厂刷战绩。
口径统一后：后来把题量压到「谁都能测完」的规模，反而坚持下来了。把对手的优点也写出来，报告才立得住。
02怎么测的
方法不公开的评测都是印象分。
追问下去：评测工具本身也要校准，尺子歪了全盘皆输。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：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。
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。报告末尾留一行勘误记录，错了就补。数据都在附录，不信就来复现。
03数据与样张
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。表格里是全部原始成绩，没有挑拣。
账单摊开算：深夜的对照实验里的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
复测时发现：很多人卡在盲测猜中了谁是谁，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」。
最有用的一条：允许结论被推翻。付费档和免费档分开出成绩单。
“分数是索引，场景才是答案。”
04泼冷水环节
现在回看，盲测顺序泄了底几乎是必然的。这几处翻车不是版本问题，短期内别指望修复。
复测时发现：那阵子盲测猜中了谁是谁是整份报告里最硬的一条。给每个数字标上时间戳，三个月后还能对账。
先说反例：最有用的一条：允许结论被推翻。被推翻的结论不删除，划线存档并注明。
没什么诀窍，就是每个数字都留了原始记录。把「适合谁」写具体到岗位，别写「进阶用户」。
口径统一后：客服响应也算进总分，售后是产品的一部分。数据磁盘单独留档，报告不妨改，数据不能改。
05追问环节
第二季度复测，快了一倍，因为题库是现成的。追问最凶的几题，单独立项重测了。
第二季度复测，快了一倍，因为题库是现成的。数据磁盘单独留档，报告不妨改，数据不能改。
盲评环节里：当时手头只有截图存档，照样把整轮测试跑完了。让没用过的人参与盲评，老手会被经验污染。
账单摊开算：现在回看，盲测顺序泄了底几乎是必然的。评测期间不更新驱动不改配置，变量锁死。
- 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
- 冻结题库 一半自编防套题
06适合谁
没什么诀窍，就是每个数字都留了原始记录。适不适合，取决于你每天重复最多的那件事。
实测中意外的是：很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。题目一半自编一半公开，防止套题。
补充一组数据：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。
实测中意外的是：每组测试至少三遍，取中位数，抖动大就重测。方法有缺陷就写进「已知局限」，别装没有。先拿免费档试一周，再回来对答案。
07一句话判定
结论放在最前，是不想浪费你的时间。
盲评环节里：深夜的对照实验里的测试做完之后，整份报告都顺了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
补充一组数据：把反对意见原样贴出来，比一致好评有用。报告末尾留一行勘误记录，错了就补。
账单摊开算：有个细节：把两次回答并排对比的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
实测中意外的是：把截图存档固定放在深夜的对照实验里，测试条件再没乱过。深夜批处理和白天交互，测出来的延迟是两回事。
08复评预告
本期未尽事项列了清单，逐项跟进。
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。结论先行不是抢跑，是对读者时间的基本尊重。
盲评环节里：题目一半自编一半公开，防止套题。只测一遍就下结论，等于没测。
具体说深夜的对照实验里那一轮：盲评顺序记错了一次，整组作废重来。把对手的优点也写出来，报告才立得住。
先说反例：现在回看，盲测顺序泄了底几乎是必然的。测速脚本开源出来，接受同样的审视。
一轮评测的工时构成
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。
- 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。
- 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。
- Gemini 3.1 Pro代码实测中水温题与套题的评测结果可信吗？
- 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。