Gemini 3.1 Pro连续实测七天写作任务实测横评数据与最终判定
优缺点分开列，适合谁写在最后。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01失分点分析
缺点说清楚，优点才可信。
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。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：当时随手存的原始输出，后来成了唯一的证据。数据磁盘单独留档，报告不妨改，数据不能改。
先说反例：引用别人的数据必须标来源和测试条件。测试环境写进附录，是可复现的最低要求。
02什么人该用
把复测排在把两次回答并排对比后面，成了每季度的固定动作。判断标准只有一条：你的高频任务是不是它的强项。
先说反例：对比对象选同档热门，别拿小厂刷战绩。复测用同一组题，别换题，否则不叫复测。
先说反例：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。
口径统一后：把报告拆两半发，中途设了个勘误窗口。测速脚本开源出来，接受同样的审视。
03注意事项
当时随手存的原始输出，后来成了唯一的证据。结论只代表测试当天的版本，下个版本可能翻案。
口径统一后：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。把「适合谁」写具体到岗位，别写「进阶用户」。
最有用的一条：允许结论被推翻。分数变化百分之五以内，视为人手误差。
盲评环节里：当时随手存的原始输出，后来成了唯一的证据。付费档和免费档分开出成绩单。
把复测排在把两次回答并排对比后面，成了每季度的固定动作。把反对意见原样贴出来，比一致好评有用。结论不妨质疑，方法随时欢迎检查。
- 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
- 压三天 给自己留推翻余地
04留一个尾巴
下期测它的直接对手，选题在评论区投票。
那阵子短板一眼看穿是整份报告里最硬的一条。长期订阅前，先看它最近两季的更新日志。
盲评环节里：官方榜单只当索引，不当证据。评测工具本身也要校准，尺子歪了全盘皆输。
追问下去：第二季度复测，快了一倍，因为题库是现成的。结论压三天再发，是给自己留推翻的余地。
补充一组数据：第一周最大的发现，是高峰期和闲时能差出一倍。连续测七天，稳定性自己会现形。这篇先到这，有新版本随时回来改。
05测试方法
方法不公开的评测都是印象分。
把计时器固定放在两台并排的显示器前，测试条件再没乱过。每一项评分都要能追溯到原始记录。
追问下去：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。
实测中意外的是：深夜批处理和白天交互，测出来的延迟是两回事。分数变化百分之五以内，视为人手误差。
追问下去：那阵子短板一眼看穿是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
06同题对决
那阵子短板一眼看穿是整份报告里最硬的一条。对手选的是同档最热的三款，输了不冤赢了不虚。
先说反例：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。
很多人卡在短板一眼看穿，说到底差的就是一轮复测。盲评时把品牌信息全部去掉，编号打乱。
对照记录看：每一项评分都要能追溯到原始记录。客服响应也算进总分，售后是产品的一部分。
现在回看，样本太少不足为凭几乎是必然的。别用厂商给的演示样例，那是考过的题。
按场景拆分的得分差异（参考）
07你问我答
追问最凶的几题，单独立项重测了。
值得单独说明：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。
那阵子短板一眼看穿是整份报告里最硬的一条。把「适合谁」写具体到岗位，别写「进阶用户」。
补充一组数据：这事没捷径，只有不跳步。对比对象选同档热门，别拿小厂刷战绩。
补充一组数据：把「适合谁」写具体到岗位，别写「进阶用户」。数据磁盘单独留档，报告不妨改，数据不能改。这篇先到这，有新版本随时回来改。
数据和短板都摆全了，放心引用。
常被问到的
- 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。
- 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。
- Gemini 3.1 Pro连续实测七天写作任务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。