Gemini 3.1 Pro续费决策夜差评模式分析测了三轮，答案没变
结论可能反常识，但每一条都有出处。
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。
01数据与样张
每项得分都标了测试时间和条件。
值得单独说明：把复测排在让三个同事盲评后面，成了每季度的固定动作。响应速度单独测，别和正确率混在一个分里。
追问下去：有个细节：让三个同事盲评的时候测，成绩稳定得多。深夜批处理和白天交互，测出来的延迟是两回事。
多花了一杯咖啡的时间核对来源，省下了一次翻车。预算和需求不同，结论就不同，别滥用通用分。
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。连续测七天，稳定性自己会现形。
02复评预告
下期测它的直接对手，选题在评论区投票。
补充一组数据：测试环境写进附录，是可复现的最低要求。方法有缺陷就写进「已知局限」，别装没有。
账单摊开算：结论与口碑冲突时，两头都重查一遍。评测工具本身也要校准，尺子歪了全盘皆输。
实测中意外的是：失败的用例原样保留，那是报告的一半价值。深夜批处理和白天交互，测出来的延迟是两回事。
对照记录看：官方榜单只当索引，不当证据。让没用过的人参与盲评，老手会被经验污染。分数是死的，你的任务才是活的。
03同题对决
当时手头只有盲测编号，照样把整轮测试跑完了。对手选的是同档最热的三款，输了不冤赢了不虚。
账单摊开算：把报告拆两半发，中途设了个勘误窗口。把「适合谁」写具体到岗位，别写「进阶用户」。
值得单独说明：那一个月只加了一个习惯：先亮方法再亮结论。评测期间不更新驱动不改配置，变量锁死。
先说反例：没什么诀窍，就是每个数字都留了原始记录。对比对象选同档热门，别拿小厂刷战绩。
把盲测编号固定放在书房的白板前，测试条件再没乱过。题目一半自编一半公开，防止套题。
“方法公开，结论才站得住。”
04一句话判定
那阵子盲测猜中了谁是谁是整份报告里最硬的一条。先说判定：值得测的场景多，值得付钱的场景少。
值得单独说明：每一项评分都要能追溯到原始记录。只测一遍就下结论，等于没测。
第一周最大的发现，是高峰期和闲时能差出一倍。结论压三天再发，是给自己留推翻的余地。
很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。测速脚本开源出来，接受同样的审视。
账单摊开算：把盲测编号固定放在书房的白板前，测试条件再没乱过。官方榜单只当索引，不当证据。
05问答实录
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。问答区不删差评，删了的才值得警惕。
先说反例：那阵子盲测猜中了谁是谁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。
对照记录看：复测用同一组题，别换题，否则不叫复测。让没用过的人参与盲评，老手会被经验污染。
追问下去：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。
先说反例：第一周最大的发现，是高峰期和闲时能差出一倍。题目一半自编一半公开，防止套题。数据都在附录，不信就来复现。
06测试的边界
价格和权益变动快，下单前以官方页面为准。
那一个月只加了一个习惯：先亮方法再亮结论。给每个数字标上时间戳，三个月后还能对账。
书房的白板前的测试做完之后，整份报告都顺了。评测期间不更新驱动不改配置，变量锁死。
账单摊开算：当时手头只有盲测编号，照样把整轮测试跑完了。高峰期单独加测一轮，闲时成绩不算数。先拿免费档试一周，再回来对答案。
成本与质量的相对位置
07短板在哪
短板集中在两处，都有复现步骤。
对照记录看：没什么诀窍，就是每个数字都留了原始记录。让没用过的人参与盲评，老手会被经验污染。
先说反例：当时随手存的原始输出，后来成了唯一的证据。给每个数字标上时间戳，三个月后还能对账。
多花了一杯咖啡的时间核对来源，省下了一次翻车。方法有缺陷就写进「已知局限」，别装没有。
口径统一后：那一个月只加了一个习惯：先亮方法再亮结论。测速脚本开源出来，接受同样的审视。
08人群画像
三类人适合，两类人别碰，对号入座。
把复测排在让三个同事盲评后面，成了每季度的固定动作。给每个数字标上时间戳，三个月后还能对账。
先说反例：试过更花哨的评测框架，最后退回一张表格。分数变化百分之五以内，视为人手误差。
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。
盲评环节里：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。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
09先亮方法
每组测试跑三遍取中位数，抖动超过一成就重测。
盲评环节里：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。
对照记录看：让没用过的人参与盲评，老手会被经验污染。深夜批处理和白天交互，测出来的延迟是两回事。
把复测排在让三个同事盲评后面，成了每季度的固定动作。数据磁盘单独留档，报告不妨改，数据不能改。
换个角度看：方法有缺陷就写进「已知局限」，别装没有。以「你每天重复最多的任务」为第一测试项。
报告交了，剩下的看你的任务怎么对号。
引用数据请连同测试条件一起带走。
常被问到的
- Gemini 3.1 Pro和同类比到底强在哪？
- 别看总分，看分项：长文本、中文语感、数学、代码各自拉出来比，你的主力场景赢的那项才算数。
- Gemini 3.1 Pro续费决策夜差评模式分析的评测结果可信吗？
- 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。
- Gemini 3.1 Pro值得为了评测里的一个优点订阅吗？
- 把那个优点换算成你的使用频率：每周都用得上就值，一个月一次就先用免费档。