Gemini 3.1 Pro对照测试中主力模型选择值不值得用？这篇给判定

下面这些，都是亲手测过才敢写。

删掉了形容词，留下的都是核对过的数字。

01它做不到什么

先把丑话说完，剩下的才好意思夸。

值得单独说明：测速脚本开源出来，接受同样的审视。把「适合谁」写具体到岗位，别写「进阶用户」。

没什么诀窍，就是每个数字都留了原始记录。给每个数字标上时间戳，三个月后还能对账。

补充一组数据：客服响应也算进总分，售后是产品的一部分。方法有缺陷就写进「已知局限」，别装没有。

换个角度看：第一周最大的发现，是高峰期和闲时能差出一倍。给每篇评测定一个复核日期，到期强制回看。

02总判定

第二季度复测，快了一倍，因为题库是现成的。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：高峰期单独加测一轮，闲时成绩不算数。价格按测试当天折算，注明汇率与活动。

试过更花哨的评测框架，最后退回一张表格。连续测七天，稳定性自己会现形。

对照记录看：客服响应也算进总分，售后是产品的一部分。评测工具本身也要校准，尺子歪了全盘皆输。

没什么诀窍，就是每个数字都留了原始记录。分数变化百分之五以内，视为人手误差。

03口径说明

方法不公开的评测都是印象分。

没什么诀窍，就是每个数字都留了原始记录。响应速度单独测，别和正确率混在一个分里。

追问下去：多花了一杯咖啡的时间核对来源，省下了一次翻车。把反对意见原样贴出来，比一致好评有用。

口径统一后：最有用的一条：允许结论被推翻。数据磁盘单独留档，报告不妨改，数据不能改。数据都在附录，不信就来复现。

04注意事项

个人样本量有限，趋势可信，精确数字别较真。

换个角度看：以「你每天重复最多的任务」为第一测试项。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

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。结论压三天再发，是给自己留推翻的余地。

先说反例：样张统一去水印、统一尺寸再进对比表。给每篇评测定一个复核日期，到期强制回看。

05对决结果

同题同参对决，胜负一目了然。

账单摊开算：后来把题量压到「谁都能测完」的规模，反而坚持下来了。别用厂商给的演示样例，那是考过的题。

把样本拉大后：被推翻的结论不删除，划线存档并注明。失败的用例原样保留，那是报告的一半价值。

盲评环节里：第二季度复测，快了一倍，因为题库是现成的。每组测试至少三遍，取中位数，抖动大就重测。

对照记录看：结论压三天再发，是给自己留推翻的余地。分数保留一位小数就够了，假精度没有意义。

06复评预告

把计时器固定放在记满笔记的本子旁，测试条件再没乱过。下期测它的直接对手，选题在评论区投票。

对照记录看：预算和需求不同，结论就不同，别滥用通用分。结论压三天再发，是给自己留推翻的余地。

追问下去：把计时器固定放在记满笔记的本子旁，测试条件再没乱过。以「你每天重复最多的任务」为第一测试项。

追问下去：没什么诀窍，就是每个数字都留了原始记录。别用厂商给的演示样例，那是考过的题。

把样本拉大后：第二季度复测，快了一倍，因为题库是现成的。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。

07读者问答复盘

那一个月只加了一个习惯：先亮方法再亮结论。问答比正文诚实，语气都保留了。

对照记录看：当时手头只有计时器，照样把整轮测试跑完了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

换个角度看：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。

换个角度看：付费档和免费档分开出成绩单。让没用过的人参与盲评，老手会被经验污染。

值得单独说明：样张统一去水印、统一尺寸再进对比表。付费档和免费档分开出成绩单。判定给完了，复测的事我们季度见。

08场景匹配

没有全能选手，只有匹配与否。

口径统一后：官方榜单只当索引，不当证据。让没用过的人参与盲评，老手会被经验污染。

换个角度看：把对手的优点也写出来，报告才立得住。复测用同一组题，别换题，否则不叫复测。

记满笔记的本子旁的测试做完之后，整份报告都顺了。报告末尾留一行勘误记录，错了就补。数据都在附录，不信就来复现。

报告交了，剩下的看你的任务怎么对号。

有新版本我会回来更新这篇报告。

鲁成针

机器学习工程师，量化方案试了个遍。结论站不住，方法先站住。

这位评测人的其他实测 →