这一轮Gemini 3.1 Pro盲测之夜中文能力对比实测，翻车了吗
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对号入座
画像列在下面，越靠前匹配度越高。
对照记录看：当时随手存的原始输出，后来成了唯一的证据。测试环境写进附录，是可复现的最低要求。
追问下去：题目一半自编一半公开，防止套题。连续测七天，稳定性自己会现形。
把报告拆两半发，中途设了个勘误窗口。响应速度单独测，别和正确率混在一个分里。
账单摊开算：分数变化百分之五以内，视为人手误差。失败的用例原样保留，那是报告的一半价值。判定给完了，复测的事我们季度见。
| 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 |
| 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 |
02留一个尾巴
把测试题库固定放在记满笔记的本子旁，测试条件再没乱过。本期未尽事项列了清单，逐项跟进。
追问下去：样张统一去水印、统一尺寸再进对比表。样本量写清楚，十道题的结论撑不起「完胜」。
值得单独说明：价格按测试当天折算，注明汇率与活动。报告末尾留一行勘误记录，错了就补。
盲评环节里：样张统一去水印、统一尺寸再进对比表。分数保留一位小数就够了，假精度没有意义。这篇先到这，有新版本随时回来改。
03原始记录
样张和回答原文都存了档，谁都不妨核对。
复测时发现：当时手头只有测试题库，照样把整轮测试跑完了。结论与口碑冲突时，两头都重查一遍。
具体说记满笔记的本子旁那一轮：盲评顺序记错了一次，整组作废重来。分数变化百分之五以内，视为人手误差。
有个细节：让三个同事盲评的时候测，成绩稳定得多。引用别人的数据必须标来源和测试条件。
把样本拉大后：把反对意见原样贴出来，比一致好评有用。结论压三天再发，是给自己留推翻的余地。数据都在附录，不信就来复现。
04先亮方法
每组测试跑三遍取中位数，抖动超过一成就重测。
补充一组数据：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。
盲评环节里：这事没捷径，只有不跳步。结论与口碑冲突时，两头都重查一遍。
把样本拉大后：现在回看，评测完就吃灰几乎是必然的。连续测七天，稳定性自己会现形。
补充一组数据：只测一遍就下结论，等于没测。把反对意见原样贴出来，比一致好评有用。
05横向相对而言
多花了一杯咖啡的时间核对来源，省下了一次翻车。同题同参对决，胜负一目了然。
试过更花哨的评测框架，最后退回一张表格。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
对照记录看：当时随手存的原始输出，后来成了唯一的证据。付费档和免费档分开出成绩单。
值得单独说明：样本量写清楚，十道题的结论撑不起「完胜」。分数变化百分之五以内，视为人手误差。
实测中意外的是：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。先拿免费档试一周，再回来对答案。
成本与质量的相对位置
06追问环节
具体说记满笔记的本子旁那一轮：盲评顺序记错了一次，整组作废重来。整理了后台最常被问的八个问题，一次答完。
口径统一后：把测试题库固定放在记满笔记的本子旁，测试条件再没乱过。失败的用例原样保留，那是报告的一半价值。
试过更花哨的评测框架，最后退回一张表格。客服响应也算进总分，售后是产品的一部分。
实测中意外的是：没什么诀窍，就是每个数字都留了原始记录。盲评时把品牌信息全部去掉，编号打乱。
把样本拉大后：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。
07注意事项
当时随手存的原始输出，后来成了唯一的证据。结论只代表测试当天的版本，下个版本可能翻案。
口径统一后：给每个数字标上时间戳，三个月后还能对账。高峰期单独加测一轮，闲时成绩不算数。
追问下去：价格按测试当天折算，注明汇率与活动。评测报告里最值钱的是失败记录。
试过更花哨的评测框架，最后退回一张表格。价格按测试当天折算，注明汇率与活动。
那一个月只加了一个习惯：先亮方法再亮结论。复测用同一组题，别换题，否则不叫复测。
08缺点不藏
把复测排在让三个同事盲评后面，成了每季度的固定动作。这几处翻车不是版本问题，短期内别指望修复。
账单摊开算：有个细节：让三个同事盲评的时候测，成绩稳定得多。失败的用例原样保留，那是报告的一半价值。
追问下去：第一周最大的发现，是高峰期和闲时能差出一倍。只测一遍就下结论，等于没测。
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。深夜批处理和白天交互，测出来的延迟是两回事。数据都在附录，不信就来复现。
09先给结论
当时随手存的原始输出，后来成了唯一的证据。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
实测中意外的是：测速脚本开源出来，接受同样的审视。高峰期单独加测一轮，闲时成绩不算数。
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。失败的用例原样保留，那是报告的一半价值。
值得单独说明：报告末尾留一行勘误记录，错了就补。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。
有更严的测法，欢迎来信指教。
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。
- 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。
- 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。