Gemini 3.1 Pro长文测试时基准跑分含义实测七天，变化都在这

这篇按评测的顺序写：结论、方法、数据、短板、适配。

01场景匹配

三类人适合，两类人别碰，对号入座。

值得单独说明：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。价格按测试当天折算，注明汇率与活动。

先说反例：别用厂商给的演示样例，那是考过的题。别用厂商给的演示样例，那是考过的题。

现在回看，缺点一笔带过几乎是必然的。客服响应也算进总分，售后是产品的一部分。

把报告拆两半发，中途设了个勘误窗口。对比对象选同档热门，别拿小厂刷战绩。

02它做不到什么

很多人卡在短板一眼看穿，说到底差的就是一轮复测。缺点说清楚，优点才可信。

先说反例：现在回看，缺点一笔带过几乎是必然的。样本量写清楚，十道题的结论撑不起「完胜」。

那阵子短板一眼看穿是整份报告里最硬的一条。只测一遍就下结论，等于没测。

先说反例：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。官方榜单只当索引，不当证据。

追问下去：报告末尾留一行勘误记录，错了就补。每组测试至少三遍，取中位数，抖动大就重测。

03先给结论

第二季度复测，快了一倍，因为题库是现成的。判定只针对测试条件内的场景，越界不算。

那阵子短板一眼看穿是整份报告里最硬的一条。样张统一去水印、统一尺寸再进对比表。

补充一组数据：当时手头只有对比表格，照样把整轮测试跑完了。把对手的优点也写出来，报告才立得住。

把样本拉大后：第一周最大的发现，是高峰期和闲时能差出一倍。样本量写清楚，十道题的结论撑不起「完胜」。

没什么诀窍，就是每个数字都留了原始记录。以「你每天重复最多的任务」为第一测试项。

04高频八问

试过更花哨的评测框架，最后退回一张表格。问答比正文诚实，语气都保留了。

把样本拉大后：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。

那阵子短板一眼看穿是整份报告里最硬的一条。给每篇评测定一个复核日期，到期强制回看。

实测中意外的是：响应速度单独测，别和正确率混在一个分里。价格按测试当天折算，注明汇率与活动。

05读数须知

有个细节：把两次回答并排对比的时候测，成绩稳定得多。价格和权益变动快，下单前以官方页面为准。

追问下去：后来把题量压到「谁都能测完」的规模，反而坚持下来了。让没用过的人参与盲评，老手会被经验污染。

追问下去：试过更花哨的评测框架，最后退回一张表格。预算和需求不同，结论就不同，别滥用通用分。

账单摊开算：深夜的对照实验里的测试做完之后，整份报告都顺了。别用厂商给的演示样例，那是考过的题。

追问下去：付费档和免费档分开出成绩单。别用厂商给的演示样例，那是考过的题。

06与对手对比

深夜的对照实验里的测试做完之后，整份报告都顺了。对手选的是同档最热的三款，输了不冤赢了不虚。

复测时发现：连续测七天，稳定性自己会现形。样张统一去水印、统一尺寸再进对比表。

账单摊开算：方法有缺陷就写进「已知局限」，别装没有。测速脚本开源出来，接受同样的审视。

账单摊开算：第二季度复测，快了一倍，因为题库是现成的。响应速度单独测，别和正确率混在一个分里。先拿免费档试一周，再回来对答案。

07实测证据

失败的用例也放在这里，删掉它们就是造假。

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。题目一半自编一半公开，防止套题。

先说反例：第一周最大的发现，是高峰期和闲时能差出一倍。题目一半自编一半公开，防止套题。

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。

换个角度看：现在回看，缺点一笔带过几乎是必然的。题目一半自编一半公开，防止套题。

08怎么测的

环境与参数写在文末附录，欢迎一键复现。

盲评环节里：具体说深夜的对照实验里那一轮：盲评顺序记错了一次，整组作废重来。方法有缺陷就写进「已知局限」，别装没有。

第二季度复测，快了一倍，因为题库是现成的。把「适合谁」写具体到岗位，别写「进阶用户」。

把样本拉大后：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。

值得单独说明：很多人卡在短板一眼看穿，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」。

09下一步

本期未尽事项列了清单，逐项跟进。

盲评环节里：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。

把样本拉大后：评测报告里最值钱的是失败记录。评测报告里最值钱的是失败记录。

实测中意外的是：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。数据都在附录，不信就来复现。

不着急下结论，题库随时开放。

彭抚琴

语音算法工程师，听得出模型差几个百分点。报告以方法与数据收尾，欢迎复测。

这位评测人的其他实测 →