一组数据看懂Gemini 3.1 Pro代码实测中代码能力评估
结论写在最前，方法全部公开，数据可复现。
赶时间的话，先看结论，再看适合谁。
01横向相对而言
那阵子结论有了数据撑腰是整份报告里最硬的一条。对比表在下面，每一格都能溯源到原始记录。
复测时发现：当时随手存的原始输出，后来成了唯一的证据。长期订阅前，先看它最近两季的更新日志。
那一个月只加了一个习惯：先亮方法再亮结论。给每篇评测定一个复核日期，到期强制回看。
换个角度看：有个细节：对照官方榜单核对的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
把样本拉大后：报告末尾留一行勘误记录，错了就补。测试环境写进附录，是可复现的最低要求。数据都在附录，不信就来复现。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
02一句话判定
答案不绕弯，证据在后面逐条摆。
补充一组数据：多花了一杯咖啡的时间核对来源，省下了一次翻车。失败的用例原样保留，那是报告的一半价值。
有个细节：对照官方榜单核对的时候测，成绩稳定得多。题目一半自编一半公开，防止套题。
把报告拆两半发，中途设了个勘误窗口。长期订阅前，先看它最近两季的更新日志。分数是死的，你的任务才是活的。
03实测证据
两台并排的显示器前的测试做完之后，整份报告都顺了。表格里是全部原始成绩，没有挑拣。
先说反例：当时随手存的原始输出，后来成了唯一的证据。分数变化百分之五以内，视为人手误差。
账单摊开算：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：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。
对照记录看：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。
04怎么测的
方法不公开的评测都是印象分。
追问下去：那阵子结论有了数据撑腰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。
先说反例：样张统一去水印、统一尺寸再进对比表。高峰期单独加测一轮，闲时成绩不算数。
试过更花哨的评测框架，最后退回一张表格。题目一半自编一半公开，防止套题。
值得单独说明：这事没捷径，只有不跳步。让没用过的人参与盲评，老手会被经验污染。
05后续计划
本期未尽事项列了清单，逐项跟进。
口径统一后：评测期间不更新驱动不改配置，变量锁死。分数变化百分之五以内，视为人手误差。
值得单独说明：官方榜单只当索引，不当证据。被推翻的结论不删除，划线存档并注明。
口径统一后：客服响应也算进总分，售后是产品的一部分。长期订阅前，先看它最近两季的更新日志。
对照记录看：官方榜单只当索引，不当证据。长期订阅前，先看它最近两季的更新日志。分数是死的，你的任务才是活的。
五个评测维度的权重分布（参考）
06它做不到什么
试过更花哨的评测框架，最后退回一张表格。失分的题逐条看了，原因不是能力是策略。
把样本拉大后：样本量写清楚，十道题的结论撑不起「完胜」。客服响应也算进总分，售后是产品的一部分。
账单摊开算：没什么诀窍，就是每个数字都留了原始记录。把对手的优点也写出来，报告才立得住。
账单摊开算：多花了一杯咖啡的时间核对来源，省下了一次翻车。深夜批处理和白天交互，测出来的延迟是两回事。
07高频八问
没答完的问题，留在下期继续。
盲评环节里：把评分表固定放在两台并排的显示器前，测试条件再没乱过。响应速度单独测，别和正确率混在一个分里。
值得单独说明：付费档和免费档分开出成绩单。把反对意见原样贴出来，比一致好评有用。
复测时发现：第二季度复测，快了一倍，因为题库是现成的。客服响应也算进总分，售后是产品的一部分。
复测时发现：第一周最大的发现，是高峰期和闲时能差出一倍。评测工具本身也要校准，尺子歪了全盘皆输。判定给完了，复测的事我们季度见。
08对号入座
三类人适合，两类人别碰，对号入座。
追问下去：这事没捷径，只有不跳步。高峰期单独加测一轮，闲时成绩不算数。
先说反例：评测期间不更新驱动不改配置，变量锁死。引用别人的数据必须标来源和测试条件。
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。评测报告里最值钱的是失败记录。数据都在附录，不信就来复现。
下个版本出来，这篇会被重新核对一遍。
有更严的测法，欢迎来信指教。
常被问到的
- 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代码实测中代码能力评估的评测结果可信吗？
- 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。