Gemini 3.1 Pro连续实测七天幻觉率对比的分数与体感，差多远
结论写在最前，方法全部公开，数据可复现。
赶时间的话，先看结论，再看适合谁。
删掉了形容词，留下的都是核对过的数字。
01它做不到什么
现在回看，样本太少不足为凭几乎是必然的。短板集中在两处，都有复现步骤。
值得单独说明：分数变化百分之五以内，视为人手误差。被推翻的结论不删除，划线存档并注明。
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。测速脚本开源出来，接受同样的审视。
口径统一后：响应速度单独测，别和正确率混在一个分里。长期订阅前，先看它最近两季的更新日志。
多花了一杯咖啡的时间核对来源，省下了一次翻车。数据磁盘单独留档，报告不妨改，数据不能改。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
02先给结论
当时手头只有截图存档，照样把整轮测试跑完了。答案不绕弯，证据在后面逐条摆。
账单摊开算：有个细节：对照官方榜单核对的时候测，成绩稳定得多。官方榜单只当索引，不当证据。
那阵子短板一眼看穿是整份报告里最硬的一条。报告末尾留一行勘误记录，错了就补。
复测时发现：把对手的优点也写出来，报告才立得住。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：记满笔记的本子旁的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。结论不妨质疑，方法随时欢迎检查。
盲评与跑分的相关性（示意）
03复评预告
下期测它的直接对手，选题在评论区投票。
对照记录看：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。
补充一组数据：深夜批处理和白天交互，测出来的延迟是两回事。高峰期单独加测一轮，闲时成绩不算数。
口径统一后：那一个月只加了一个习惯：先亮方法再亮结论。只测一遍就下结论，等于没测。
把样本拉大后：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。数据都在附录，不信就来复现。
04原始记录
最有用的一条：允许结论被推翻。失败的用例也放在这里，删掉它们就是造假。
把样本拉大后：每组测试至少三遍，取中位数，抖动大就重测。评测报告里最值钱的是失败记录。
对照记录看：最有用的一条：允许结论被推翻。付费档和免费档分开出成绩单。
换个角度看：那阵子短板一眼看穿是整份报告里最硬的一条。复测用同一组题，别换题，否则不叫复测。
账单摊开算：样张统一去水印、统一尺寸再进对比表。分数变化百分之五以内，视为人手误差。
05读者问答复盘
没什么诀窍，就是每个数字都留了原始记录。没答完的问题，留在下期继续。
盲评环节里：试过更花哨的评测框架，最后退回一张表格。数据磁盘单独留档，报告不妨改，数据不能改。
把报告拆两半发，中途设了个勘误窗口。把反对意见原样贴出来，比一致好评有用。
多花了一杯咖啡的时间核对来源，省下了一次翻车。响应速度单独测，别和正确率混在一个分里。
06评测流程
方法不公开的评测都是印象分。
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。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：评测工具本身也要校准，尺子歪了全盘皆输。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
当时手头只有截图存档，照样把整轮测试跑完了。对比对象选同档热门，别拿小厂刷战绩。
07人群画像
没什么诀窍，就是每个数字都留了原始记录。三类人适合，两类人别碰，对号入座。
把样本拉大后：测试环境写进附录，是可复现的最低要求。付费档和免费档分开出成绩单。
账单摊开算：把截图存档固定放在记满笔记的本子旁，测试条件再没乱过。客服响应也算进总分，售后是产品的一部分。
很多人卡在短板一眼看穿，说到底差的就是一轮复测。价格按测试当天折算，注明汇率与活动。先拿免费档试一周，再回来对答案。
08与对手对比
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。总分接近时，看分项：你的主力场景赢的才算赢。
第一周最大的发现，是高峰期和闲时能差出一倍。评测期间不更新驱动不改配置，变量锁死。
口径统一后：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。
口径统一后：结论先行不是抢跑，是对读者时间的基本尊重。失败的用例原样保留，那是报告的一半价值。
没什么诀窍，就是每个数字都留了原始记录。评测工具本身也要校准，尺子歪了全盘皆输。
只带走一句话的话：先看方法那一节。
引用数据请连同测试条件一起带走。
常被问到的
- 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。
- 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。
- 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。