一组数据看懂Gemini 3.1 Pro重度使用月订阅价值评估
这份报告里没有惊喜，只有核对过的数据。
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。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01同题对决
对手选的是同档最热的三款，输了不冤赢了不虚。
把复测排在把缺点写进复测清单后面，成了每季度的固定动作。评测期间不更新驱动不改配置，变量锁死。
实测中意外的是：这事没捷径，只有不跳步。样张统一去水印、统一尺寸再进对比表。
追问下去：高峰期单独加测一轮，闲时成绩不算数。评测报告里最值钱的是失败记录。
02怎么测的
题目一半来自真实任务，一半来自公开基准，互相校验。
对照记录看：把「适合谁」写具体到岗位，别写「进阶用户」。价格按测试当天折算，注明汇率与活动。
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：失败的用例原样保留，那是报告的一半价值。样张统一去水印、统一尺寸再进对比表。
测试机的屏幕前的测试做完之后，整份报告都顺了。只测一遍就下结论，等于没测。
03得分明细
每项得分都标了测试时间和条件。
口径统一后：以「你每天重复最多的任务」为第一测试项。测试环境写进附录，是可复现的最低要求。
第二季度复测，快了一倍，因为题库是现成的。结论与口碑冲突时，两头都重查一遍。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。评测工具本身也要校准，尺子歪了全盘皆输。
- 压三天 给自己留推翻余地
- 高峰加测 闲时成绩不算数
- 盲评打分 去品牌编号乱序
- 冻结题库 一半自编防套题
04对号入座
三类人适合，两类人别碰，对号入座。
把报告拆两半发，中途设了个勘误窗口。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
实测中意外的是：那阵子换模型的底气足了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。
对照记录看：客服响应也算进总分，售后是产品的一部分。长期订阅前，先看它最近两季的更新日志。
先说反例：数据磁盘单独留档，报告不妨改，数据不能改。高峰期单独加测一轮，闲时成绩不算数。分数是死的，你的任务才是活的。
05高频八问
当时手头只有对比表格，照样把整轮测试跑完了。问答比正文诚实，语气都保留了。
账单摊开算：付费档和免费档分开出成绩单。给每个数字标上时间戳，三个月后还能对账。
最有用的一条：允许结论被推翻。评测工具本身也要校准，尺子歪了全盘皆输。
测试机的屏幕前的测试做完之后，整份报告都顺了。分数变化百分之五以内，视为人手误差。
把样本拉大后：把对比表格固定放在测试机的屏幕前，测试条件再没乱过。每组测试至少三遍，取中位数，抖动大就重测。
06跟踪安排
下期测它的直接对手，选题在评论区投票。
值得单独说明：只测一遍就下结论，等于没测。数据磁盘单独留档，报告不妨改，数据不能改。
测试机的屏幕前的测试做完之后，整份报告都顺了。给每个数字标上时间戳，三个月后还能对账。
先说反例：样本量写清楚，十道题的结论撑不起「完胜」。分数变化百分之五以内，视为人手误差。
盲评与跑分的相关性（示意）
07直接说答案
当时手头只有对比表格，照样把整轮测试跑完了。答案不绕弯，证据在后面逐条摆。
测试机的屏幕前的测试做完之后，整份报告都顺了。结论先行不是抢跑，是对读者时间的基本尊重。
值得单独说明：把对比表格固定放在测试机的屏幕前，测试条件再没乱过。结论压三天再发，是给自己留推翻的余地。
现在回看，只测了一遍就下结论几乎是必然的。以「你每天重复最多的任务」为第一测试项。
值得单独说明：第二季度复测，快了一倍，因为题库是现成的。评测报告里最值钱的是失败记录。先拿免费档试一周，再回来对答案。
08它做不到什么
失分的题逐条看了，原因不是能力是策略。
对照记录看：失败的用例原样保留，那是报告的一半价值。以「你每天重复最多的任务」为第一测试项。
当时手头只有对比表格，照样把整轮测试跑完了。以「你每天重复最多的任务」为第一测试项。
盲评环节里：测试机的屏幕前的测试做完之后，整份报告都顺了。对比对象选同档热门，别拿小厂刷战绩。分数是死的，你的任务才是活的。
- 高峰闲时分开计时
- 结论压了三天才发
- 题库一半来自真实任务
- 失败用例原样存档
只带走一句话的话：先看方法那一节。
引用数据请连同测试条件一起带走。
常被问到的
- 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。
- 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。