Gemini 3.1 Pro付费档横评过拟合信号识别的分数与体感，差多远
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。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01留一个尾巴
现在回看，题目全挑模型擅长的几乎是必然的。本期未尽事项列了清单，逐项跟进。
账单摊开算：给每个数字标上时间戳，三个月后还能对账。分数变化百分之五以内，视为人手误差。
补充一组数据：把「适合谁」写具体到岗位，别写「进阶用户」。把「适合谁」写具体到岗位，别写「进阶用户」。
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。
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。客服响应也算进总分，售后是产品的一部分。结论不妨质疑，方法随时欢迎检查。
02注意事项
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
实测中意外的是：那阵子结论有了数据撑腰是整份报告里最硬的一条。数据磁盘单独留档，报告不妨改，数据不能改。
补充一组数据：官方榜单只当索引，不当证据。分数保留一位小数就够了，假精度没有意义。
盲评环节里：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。响应速度单独测，别和正确率混在一个分里。
换个角度看：第二季度复测，快了一倍，因为题库是现成的。把反对意见原样贴出来，比一致好评有用。这篇先到这，有新版本随时回来改。
03场景匹配
适不适合，取决于你每天重复最多的那件事。
口径统一后：每一项评分都要能追溯到原始记录。测速脚本开源出来，接受同样的审视。
当时随手存的原始输出，后来成了唯一的证据。让没用过的人参与盲评，老手会被经验污染。
复测时发现：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。
04对决结果
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。对决结果有个反转，评论区先别吵。
复测时发现：把报告拆两半发，中途设了个勘误窗口。评测工具本身也要校准，尺子歪了全盘皆输。
把复测排在记录每题的响应秒数后面，成了每季度的固定动作。评测报告里最值钱的是失败记录。
把样本拉大后：结论压三天再发，是给自己留推翻的余地。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
实测中意外的是：付费档和免费档分开出成绩单。样张统一去水印、统一尺寸再进对比表。结论不妨质疑，方法随时欢迎检查。
05结论先行
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
换个角度看：那一个月只加了一个习惯：先亮方法再亮结论。评测工具本身也要校准，尺子歪了全盘皆输。
换个角度看：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。
试过更花哨的评测框架，最后退回一张表格。每组测试至少三遍，取中位数，抖动大就重测。数据都在附录，不信就来复现。
七日实测成绩的波动
06泼冷水环节
这几处翻车不是版本问题，短期内别指望修复。
补充一组数据：题目一半自编一半公开，防止套题。报告末尾留一行勘误记录，错了就补。
换个角度看：给每篇评测定一个复核日期，到期强制回看。盲评时把品牌信息全部去掉，编号打乱。
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。分数是死的，你的任务才是活的。
07你问我答
问答区不删差评，删了的才值得警惕。
换个角度看：样本量写清楚，十道题的结论撑不起「完胜」。结论与口碑冲突时，两头都重查一遍。
多花了一杯咖啡的时间核对来源，省下了一次翻车。付费档和免费档分开出成绩单。
先说反例：这事没捷径，只有不跳步。别用厂商给的演示样例，那是考过的题。
记满笔记的本子旁的测试做完之后，整份报告都顺了。深夜批处理和白天交互，测出来的延迟是两回事。分数是死的，你的任务才是活的。
08实测证据
失败的用例也放在这里，删掉它们就是造假。
复测时发现：预算和需求不同，结论就不同，别滥用通用分。失败的用例原样保留，那是报告的一半价值。
对照记录看：第二季度复测，快了一倍，因为题库是现成的。把反对意见原样贴出来，比一致好评有用。
值得单独说明：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。只测一遍就下结论，等于没测。
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。样本量写清楚，十道题的结论撑不起「完胜」。先拿免费档试一周，再回来对答案。
- 压三天 给自己留推翻余地
- 高峰加测 闲时成绩不算数
- 折算单价 按真实用量
- 盲评打分 去品牌编号乱序
09先亮方法
同一组题、同一台机器、同一套提示词，变量只剩模型。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。样张统一去水印、统一尺寸再进对比表。
实测中意外的是：那阵子结论有了数据撑腰是整份报告里最硬的一条。分数变化百分之五以内，视为人手误差。
没什么诀窍，就是每个数字都留了原始记录。预算和需求不同，结论就不同，别滥用通用分。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 |
|---|---|---|---|
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
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
- 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。
- 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付费档横评过拟合信号识别的评测结果可信吗？
- 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。