Gemini 3.1 Pro高压问答里翻译质量实测的分数与体感，差多远
盲评、复测、原始记录，三样都齐。删掉了形容词，留下的都是核对过的数字。
删掉了形容词，留下的都是核对过的数字。
01一句话判定
判定只针对测试条件内的场景，越界不算。
值得单独说明：每组测试至少三遍，取中位数，抖动大就重测。长期订阅前，先看它最近两季的更新日志。
当时随手存的原始输出，后来成了唯一的证据。结论与口碑冲突时，两头都重查一遍。
先说反例：把数据看板固定放在咖啡馆的计时器旁，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。结论不妨质疑，方法随时欢迎检查。
02追问环节
没答完的问题，留在下期继续。
具体说咖啡馆的计时器旁那一轮：盲评顺序记错了一次，整组作废重来。评测工具本身也要校准，尺子歪了全盘皆输。
把复测排在让三个同事盲评后面，成了每季度的固定动作。付费档和免费档分开出成绩单。
先说反例：测试环境写进附录，是可复现的最低要求。结论先行不是抢跑，是对读者时间的基本尊重。
03口径说明
咖啡馆的计时器旁的测试做完之后，整份报告都顺了。同一组题、同一台机器、同一套提示词，变量只剩模型。
换个角度看：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。
口径统一后：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。
第二季度复测，快了一倍，因为题库是现成的。价格按测试当天折算，注明汇率与活动。
一轮评测的工时构成
04缺点不藏
后来把题量压到「谁都能测完」的规模，反而坚持下来了。缺点说清楚，优点才可信。
复测时发现：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。
把复测排在让三个同事盲评后面，成了每季度的固定动作。结论压三天再发，是给自己留推翻的余地。
对照记录看：把复测排在让三个同事盲评后面，成了每季度的固定动作。失败的用例原样保留，那是报告的一半价值。
账单摊开算：具体说咖啡馆的计时器旁那一轮：盲评顺序记错了一次，整组作废重来。复测用同一组题，别换题，否则不叫复测。这篇先到这，有新版本随时回来改。
- 冻结题库 一半自编防套题
- 盲评打分 去品牌编号乱序
- 折算单价 按真实用量
- 压三天 给自己留推翻余地
05留一个尾巴
评测是长跑，这篇只是其中一个刻度。
账单摊开算：分数保留一位小数就够了，假精度没有意义。把对手的优点也写出来，报告才立得住。
实测中意外的是：有个细节：让三个同事盲评的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。
没什么诀窍，就是每个数字都留了原始记录。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。
- 压三天 给自己留推翻余地
- 冻结题库 一半自编防套题
- 折算单价 按真实用量
- 盲评打分 去品牌编号乱序
06原始记录
第一周最大的发现，是高峰期和闲时能差出一倍。表格里是全部原始成绩，没有挑拣。
补充一组数据：结论与口碑冲突时，两头都重查一遍。结论压三天再发，是给自己留推翻的余地。
口径统一后：评测报告里最值钱的是失败记录。被推翻的结论不删除，划线存档并注明。
把报告拆两半发，中途设了个勘误窗口。分数变化百分之五以内，视为人手误差。
当时手头只有数据看板，照样把整轮测试跑完了。样张统一去水印、统一尺寸再进对比表。先拿免费档试一周，再回来对答案。
07适合谁
最有用的一条：允许结论被推翻。没有全能选手，只有匹配与否。
值得单独说明：深夜批处理和白天交互，测出来的延迟是两回事。结论压三天再发，是给自己留推翻的余地。
当时手头只有数据看板，照样把整轮测试跑完了。测试环境写进附录，是可复现的最低要求。
口径统一后：把报告拆两半发，中途设了个勘误窗口。给每篇评测定一个复核日期，到期强制回看。数据都在附录，不信就来复现。
08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。对手选的是同档最热的三款，输了不冤赢了不虚。
先说反例：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。
咖啡馆的计时器旁的测试做完之后，整份报告都顺了。每一项评分都要能追溯到原始记录。
追问下去：方法有缺陷就写进「已知局限」，别装没有。报告末尾留一行勘误记录，错了就补。
补充一组数据：付费档和免费档分开出成绩单。给每个数字标上时间戳，三个月后还能对账。先拿免费档试一周，再回来对答案。
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。
- Gemini 3.1 Pro高压问答里翻译质量实测的评测结果可信吗？
- 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。
- 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。