Gemini 3.1 Pro口碑收集期备用模型选择评测附录：原始数据全公开
结论写在最前，方法全部公开，数据可复现。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01高频八问
没答完的问题，留在下期继续。
把样本拉大后：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。
复测时发现：测试环境写进附录，是可复现的最低要求。只测一遍就下结论，等于没测。
追问下去：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。
试过更花哨的评测框架，最后退回一张表格。被推翻的结论不删除，划线存档并注明。分数是死的，你的任务才是活的。
把「适合谁」写具体到岗位，别写「进阶用户」。给每篇评测定一个复核日期，到期强制回看。
02读数须知
把计时器固定放在咖啡馆的计时器旁，测试条件再没乱过。把边界写明白，是评测的基本操守。
先说反例：数据磁盘单独留档，报告不妨改，数据不能改。把对手的优点也写出来，报告才立得住。
第二季度复测，快了一倍，因为题库是现成的。官方榜单只当索引，不当证据。
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。样本量写清楚，十道题的结论撑不起「完胜」。
追问下去：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。判定给完了，复测的事我们季度见。
- 失败用例原样存档
- 题库一半来自真实任务
- 高峰闲时分开计时
- 结论压了三天才发
03缺点不藏
第一周最大的发现，是高峰期和闲时能差出一倍。这几处翻车不是版本问题，短期内别指望修复。
盲评环节里：现在回看，被榜单带了节奏几乎是必然的。评测期间不更新驱动不改配置，变量锁死。
盲评环节里：最有用的一条：允许结论被推翻。预算和需求不同，结论就不同，别滥用通用分。
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。把对手的优点也写出来，报告才立得住。这篇先到这，有新版本随时回来改。
七日实测成绩的波动
04人群画像
画像列在下面，越靠前匹配度越高。
补充一组数据：以「你每天重复最多的任务」为第一测试项。分数保留一位小数就够了，假精度没有意义。
把样本拉大后：连续测七天，稳定性自己会现形。结论压三天再发，是给自己留推翻的余地。
换个角度看：最有用的一条：允许结论被推翻。长期订阅前，先看它最近两季的更新日志。这篇先到这，有新版本随时回来改。
把反对意见原样贴出来，比一致好评有用。测速脚本开源出来，接受同样的审视。
| 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 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
05原始记录
样张和回答原文都存了档，谁都不妨核对。
换个角度看：让没用过的人参与盲评，老手会被经验污染。评测工具本身也要校准，尺子歪了全盘皆输。
那一个月只加了一个习惯：先亮方法再亮结论。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
值得单独说明：很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。每一项评分都要能追溯到原始记录。分数是死的，你的任务才是活的。
06直接说答案
很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。结论放在最前，是不想浪费你的时间。
对照记录看：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。
那一个月只加了一个习惯：先亮方法再亮结论。方法有缺陷就写进「已知局限」，别装没有。
当时随手存的原始输出，后来成了唯一的证据。高峰期单独加测一轮，闲时成绩不算数。这篇先到这，有新版本随时回来改。
07先亮方法
咖啡馆的计时器旁的测试做完之后，整份报告都顺了。环境与参数写在文末附录，欢迎一键复现。
咖啡馆的计时器旁的测试做完之后，整份报告都顺了。分数变化百分之五以内，视为人手误差。
换个角度看：数据磁盘单独留档，报告不妨改，数据不能改。题目一半自编一半公开，防止套题。
追问下去：预算和需求不同，结论就不同，别滥用通用分。每一项评分都要能追溯到原始记录。数据都在附录，不信就来复现。
测速脚本开源出来，接受同样的审视。评测期间不更新驱动不改配置，变量锁死。
先跑一遍附录里的复现步骤，再决定信不信。
有新版本我会回来更新这篇报告。
常被问到的
- 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。
- 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。