Gemini 3.1 Pro老手盲测翻译质量实测的口碑与实测对不上？查了
优缺点分开列，适合谁写在最后。赶时间的话，先看结论，再看适合谁。
删掉了形容词，留下的都是核对过的数字。
01与对手对比
第一周最大的发现，是高峰期和闲时能差出一倍。对比表在下面，每一格都能溯源到原始记录。
追问下去：当时手头只有盲测编号，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。
口径统一后：复测数据表旁的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。
追问下去：别用厂商给的演示样例，那是考过的题。评测工具本身也要校准，尺子歪了全盘皆输。
把样本拉大后：样张统一去水印、统一尺寸再进对比表。样张统一去水印、统一尺寸再进对比表。
响应速度单独测，别和正确率混在一个分里。高峰期单独加测一轮，闲时成绩不算数。
02数据与样张
表格里是全部原始成绩，没有挑拣。
先说反例：多花了一杯咖啡的时间核对来源，省下了一次翻车。响应速度单独测，别和正确率混在一个分里。
当时手头只有盲测编号，照样把整轮测试跑完了。方法有缺陷就写进「已知局限」，别装没有。
复测时发现：没什么诀窍，就是每个数字都留了原始记录。对比对象选同档热门，别拿小厂刷战绩。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
03场景匹配
适不适合，取决于你每天重复最多的那件事。
口径统一后：样本量写清楚，十道题的结论撑不起「完胜」。客服响应也算进总分，售后是产品的一部分。
追问下去：当时随手存的原始输出，后来成了唯一的证据。长期订阅前，先看它最近两季的更新日志。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。盲评时把品牌信息全部去掉，编号打乱。
追问下去：很多人卡在短板一眼看穿，说到底差的就是一轮复测。题目一半自编一半公开，防止套题。这篇先到这，有新版本随时回来改。
04失分点分析
缺点说清楚，优点才可信。
对照记录看：当时手头只有盲测编号，照样把整轮测试跑完了。结论与口碑冲突时，两头都重查一遍。
把样本拉大后：后来把题量压到「谁都能测完」的规模，反而坚持下来了。对比对象选同档热门，别拿小厂刷战绩。
对照记录看：别用厂商给的演示样例，那是考过的题。深夜批处理和白天交互，测出来的延迟是两回事。
先说反例：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。判定给完了，复测的事我们季度见。
05先给结论
最有用的一条：允许结论被推翻。结论放在最前，是不想浪费你的时间。
实测中意外的是：现在回看，缺点一笔带过几乎是必然的。把「适合谁」写具体到岗位，别写「进阶用户」。
复测时发现：多花了一杯咖啡的时间核对来源，省下了一次翻车。官方榜单只当索引，不当证据。
盲评环节里：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。判定给完了，复测的事我们季度见。
06测试方法
每组测试跑三遍取中位数，抖动超过一成就重测。
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。
盲评环节里：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。
复测数据表旁的测试做完之后，整份报告都顺了。评测报告里最值钱的是失败记录。
账单摊开算：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。分数是死的，你的任务才是活的。
七日实测成绩的波动
07追问环节
后来把题量压到「谁都能测完」的规模，反而坚持下来了。追问最凶的几题，单独立项重测了。
复测时发现：这事没捷径，只有不跳步。结论先行不是抢跑，是对读者时间的基本尊重。
对照记录看：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。
对照记录看：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。分数是死的，你的任务才是活的。
写到这里。Gemini 3.1 Pro老手盲测翻译质量实测的判定给完了，复测季度见。
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。