我们用同一组题测了Gemini 3.1 Pro年终横评行业用户声音
分数只是索引，重点看分项和场景。
篇幅不长，每节都能独立引用。
01测试的边界
那一个月只加了一个习惯：先亮方法再亮结论。把边界写明白，是评测的基本操守。
补充一组数据：记满笔记的本子旁的测试做完之后，整份报告都顺了。对比对象选同档热门，别拿小厂刷战绩。
盲评环节里：这事没捷径，只有不跳步。把对手的优点也写出来，报告才立得住。
账单摊开算：那一个月只加了一个习惯：先亮方法再亮结论。把「适合谁」写具体到岗位，别写「进阶用户」。
对照记录看：最有用的一条：允许结论被推翻。给每个数字标上时间戳，三个月后还能对账。
五个评测维度的权重分布（参考）
02后续计划
那一个月只加了一个习惯：先亮方法再亮结论。有新版本就回来更新这篇，旧结论会标注存档。
把样本拉大后：数据磁盘单独留档，报告不妨改，数据不能改。结论压三天再发，是给自己留推翻的余地。
复测时发现：没什么诀窍，就是每个数字都留了原始记录。盲评时把品牌信息全部去掉，编号打乱。
补充一组数据：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。判定给完了，复测的事我们季度见。
03先亮方法
这事没捷径，只有不跳步。环境与参数写在文末附录，欢迎一键复现。
账单摊开算：数据磁盘单独留档，报告不妨改，数据不能改。评测期间不更新驱动不改配置，变量锁死。
补充一组数据：让没用过的人参与盲评，老手会被经验污染。报告末尾留一行勘误记录，错了就补。
换个角度看：方法有缺陷就写进「已知局限」，别装没有。给每篇评测定一个复核日期，到期强制回看。
04泼冷水环节
那一个月只加了一个习惯：先亮方法再亮结论。缺点说清楚，优点才可信。
追问下去：把反对意见原样贴出来，比一致好评有用。评测工具本身也要校准，尺子歪了全盘皆输。
口径统一后：记满笔记的本子旁的测试做完之后，整份报告都顺了。把对手的优点也写出来，报告才立得住。
口径统一后：有个细节：记录每题的响应秒数的时候测，成绩稳定得多。以「你每天重复最多的任务」为第一测试项。
记满笔记的本子旁的测试做完之后，整份报告都顺了。把对手的优点也写出来，报告才立得住。先拿免费档试一周，再回来对答案。
- 盲评打分 去品牌编号乱序
- 高峰加测 闲时成绩不算数
- 冻结题库 一半自编防套题
- 压三天 给自己留推翻余地
05总判定
最有用的一条：允许结论被推翻。答案不绕弯，证据在后面逐条摆。
记满笔记的本子旁的测试做完之后，整份报告都顺了。复测用同一组题，别换题，否则不叫复测。
追问下去：当时随手存的原始输出，后来成了唯一的证据。分数变化百分之五以内，视为人手误差。
盲评环节里：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。价格按测试当天折算，注明汇率与活动。数据都在附录，不信就来复现。
06你问我答
那一个月只加了一个习惯：先亮方法再亮结论。没答完的问题，留在下期继续。
把样本拉大后：把「适合谁」写具体到岗位，别写「进阶用户」。题目一半自编一半公开，防止套题。
补充一组数据：结论与口碑冲突时，两头都重查一遍。评测报告里最值钱的是失败记录。
先说反例：方法有缺陷就写进「已知局限」，别装没有。引用别人的数据必须标来源和测试条件。
值得单独说明：当时手头只有截图存档，照样把整轮测试跑完了。引用别人的数据必须标来源和测试条件。先拿免费档试一周，再回来对答案。
07原始记录
失败的用例也放在这里，删掉它们就是造假。
记满笔记的本子旁的测试做完之后，整份报告都顺了。付费档和免费档分开出成绩单。
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。只测一遍就下结论，等于没测。
有个细节：记录每题的响应秒数的时候测，成绩稳定得多。题目一半自编一半公开，防止套题。
先说反例：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。
08人群画像
第二季度复测，快了一倍，因为题库是现成的。适不适合，取决于你每天重复最多的那件事。
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。评测期间不更新驱动不改配置，变量锁死。
先说反例：把反对意见原样贴出来，比一致好评有用。给每个数字标上时间戳，三个月后还能对账。
那阵子短板一眼看穿是整份报告里最硬的一条。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。只测一遍就下结论，等于没测。判定给完了，复测的事我们季度见。
09对决结果
对手选的是同档最热的三款，输了不冤赢了不虚。
这事没捷径，只有不跳步。样本量写清楚，十道题的结论撑不起「完胜」。
对照记录看：结论先行不是抢跑，是对读者时间的基本尊重。高峰期单独加测一轮，闲时成绩不算数。
第二季度复测，快了一倍，因为题库是现成的。结论先行不是抢跑，是对读者时间的基本尊重。
多花了一杯咖啡的时间核对来源，省下了一次翻车。测速脚本开源出来，接受同样的审视。结论不妨质疑，方法随时欢迎检查。
下个版本出来，这篇会被重新核对一遍。
引用数据请连同测试条件一起带走。
常被问到的
- 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。
- 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。
- 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。