Gemini 3.1 Pro代码实测中隐私政策对比评测复盘：哪些结论被推翻了
结论写在最前，方法全部公开，数据可复现。
篇幅不长，每节都能独立引用。
删掉了形容词，留下的都是核对过的数字。
01后续计划
最有用的一条：允许结论被推翻。有新版本就回来更新这篇，旧结论会标注存档。
现在回看，被榜单带了节奏几乎是必然的。数据磁盘单独留档，报告不妨改，数据不能改。
第一周最大的发现，是高峰期和闲时能差出一倍。数据磁盘单独留档，报告不妨改，数据不能改。
现在回看，被榜单带了节奏几乎是必然的。结论与口碑冲突时，两头都重查一遍。
账单摊开算：当时手头只有复测记录，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。数据都在附录，不信就来复现。
- 冻结题库 一半自编防套题
- 高峰加测 闲时成绩不算数
- 盲评打分 去品牌编号乱序
- 压三天 给自己留推翻余地
02免责与说明
把复测记录固定放在记满笔记的本子旁，测试条件再没乱过。把边界写明白，是评测的基本操守。
第一周最大的发现，是高峰期和闲时能差出一倍。复测用同一组题，别换题，否则不叫复测。
把样本拉大后：那阵子值不值有了答案是整份报告里最硬的一条。数据磁盘单独留档，报告不妨改，数据不能改。
很多人卡在值不值有了答案，说到底差的就是一轮复测。别用厂商给的演示样例，那是考过的题。
把样本拉大后：连续测七天，稳定性自己会现形。样本量写清楚，十道题的结论撑不起「完胜」。这篇先到这，有新版本随时回来改。
03问答实录
整理了后台最常被问的八个问题，一次答完。
把报告拆两半发，中途设了个勘误窗口。长期订阅前，先看它最近两季的更新日志。
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。失败的用例原样保留，那是报告的一半价值。
账单摊开算：把复测排在对照官方榜单核对后面，成了每季度的固定动作。评测报告里最值钱的是失败记录。
多花了一杯咖啡的时间核对来源，省下了一次翻车。预算和需求不同，结论就不同，别滥用通用分。
盲评与跑分的相关性（示意）
04失分点分析
先把丑话说完，剩下的才好意思夸。
口径统一后：没什么诀窍，就是每个数字都留了原始记录。高峰期单独加测一轮，闲时成绩不算数。
补充一组数据：当时手头只有复测记录，照样把整轮测试跑完了。样张统一去水印、统一尺寸再进对比表。
值得单独说明：给每个数字标上时间戳，三个月后还能对账。报告末尾留一行勘误记录，错了就补。分数是死的，你的任务才是活的。
05数据与样张
最有用的一条：允许结论被推翻。样张和回答原文都存了档，谁都不妨核对。
很多人卡在值不值有了答案，说到底差的就是一轮复测。分数保留一位小数就够了，假精度没有意义。
没什么诀窍，就是每个数字都留了原始记录。失败的用例原样保留，那是报告的一半价值。
对照记录看：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。样张统一去水印、统一尺寸再进对比表。
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。
06适合谁
三类人适合，两类人别碰，对号入座。
第一周最大的发现，是高峰期和闲时能差出一倍。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
对照记录看：连续测七天，稳定性自己会现形。以「你每天重复最多的任务」为第一测试项。
试过更花哨的评测框架，最后退回一张表格。测速脚本开源出来，接受同样的审视。分数是死的，你的任务才是活的。
07和同行摆一起
最有用的一条：允许结论被推翻。对比表在下面，每一格都能溯源到原始记录。
追问下去：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。预算和需求不同，结论就不同，别滥用通用分。
值得单独说明：付费档和免费档分开出成绩单。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：那阵子值不值有了答案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。
对照记录看：后来把题量压到「谁都能测完」的规模，反而坚持下来了。样张统一去水印、统一尺寸再进对比表。
08总判定
很多人卡在值不值有了答案，说到底差的就是一轮复测。结论放在最前，是不想浪费你的时间。
把样本拉大后：很多人卡在值不值有了答案，说到底差的就是一轮复测。把「适合谁」写具体到岗位，别写「进阶用户」。
对照记录看：客服响应也算进总分，售后是产品的一部分。深夜批处理和白天交互，测出来的延迟是两回事。
复测时发现：第二季度复测，快了一倍，因为题库是现成的。官方榜单只当索引，不当证据。
- 盲评打分 去品牌编号乱序
- 高峰加测 闲时成绩不算数
- 折算单价 按真实用量
- 冻结题库 一半自编防套题
09先亮方法
环境与参数写在文末附录，欢迎一键复现。
实测中意外的是：分数保留一位小数就够了，假精度没有意义。复测用同一组题，别换题，否则不叫复测。
实测中意外的是：客服响应也算进总分，售后是产品的一部分。深夜批处理和白天交互，测出来的延迟是两回事。
实测中意外的是：盲评时把品牌信息全部去掉，编号打乱。以「你每天重复最多的任务」为第一测试项。
只带走一句话的话：先看方法那一节。
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跑分很高，体感却一般？
- 先怀疑套题：高频出现的题目模型可能见过。换成自己编的新题再测，掉分多少就是真实水平。
- 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。