先泼冷水再加热：Gemini 3.1 Pro团队众测跑分与体感差距全评测
带着你自己的任务来对号入座。
赶时间的话，先看结论，再看适合谁。
篇幅不长，每节都能独立引用。
01一句话判定
结论放在最前，是不想浪费你的时间。
复测时发现：数据磁盘单独留档，报告不妨改，数据不能改。数据磁盘单独留档，报告不妨改，数据不能改。
实测中意外的是：给每篇评测定一个复核日期，到期强制回看。分数保留一位小数就够了，假精度没有意义。
实测中意外的是：有个细节：给每题打分存档的时候测，成绩稳定得多。每组测试至少三遍，取中位数，抖动大就重测。
只测一遍就下结论，等于没测。客服响应也算进总分，售后是产品的一部分。
盲评与跑分的相关性（示意）
02下一步
后来把题量压到「谁都能测完」的规模，反而坚持下来了。评测是长跑，这篇只是其中一个刻度。
账单摊开算：最有用的一条：允许结论被推翻。复测用同一组题，别换题，否则不叫复测。
把报告拆两半发，中途设了个勘误窗口。评测报告里最值钱的是失败记录。
复测时发现：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。客服响应也算进总分，售后是产品的一部分。
03怎么测的
同一组题、同一台机器、同一套提示词，变量只剩模型。
追问下去：让没用过的人参与盲评，老手会被经验污染。以「你每天重复最多的任务」为第一测试项。
对照记录看：盲评时把品牌信息全部去掉，编号打乱。官方榜单只当索引，不当证据。
值得单独说明：连续测七天，稳定性自己会现形。对比对象选同档热门，别拿小厂刷战绩。
账单摊开算：高峰期单独加测一轮，闲时成绩不算数。给每个数字标上时间戳，三个月后还能对账。
客服响应也算进总分，售后是产品的一部分。以「你每天重复最多的任务」为第一测试项。
04什么人该用
第一周最大的发现，是高峰期和闲时能差出一倍。适不适合，取决于你每天重复最多的那件事。
账单摊开算：很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。报告末尾留一行勘误记录，错了就补。
把样本拉大后：第二季度复测，快了一倍，因为题库是现成的。结论压三天再发，是给自己留推翻的余地。
先说反例：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。
口径统一后：当时手头只有复测记录，照样把整轮测试跑完了。高峰期单独加测一轮，闲时成绩不算数。
评测工具本身也要校准，尺子歪了全盘皆输。样张统一去水印、统一尺寸再进对比表。
05数据与样张
表格里是全部原始成绩，没有挑拣。
那阵子结论有了数据撑腰是整份报告里最硬的一条。结论与口碑冲突时，两头都重查一遍。
很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。盲评时把品牌信息全部去掉，编号打乱。
把样本拉大后：价格按测试当天折算，注明汇率与活动。给每个数字标上时间戳，三个月后还能对账。结论不妨质疑，方法随时欢迎检查。
- 盲评去掉了品牌信息
- 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
06缺点不藏
把报告拆两半发，中途设了个勘误窗口。缺点说清楚，优点才可信。
盲评环节里：付费档和免费档分开出成绩单。连续测七天，稳定性自己会现形。
把样本拉大后：把报告拆两半发，中途设了个勘误窗口。给每篇评测定一个复核日期，到期强制回看。
账单摊开算：让没用过的人参与盲评，老手会被经验污染。样本量写清楚，十道题的结论撑不起「完胜」。
口径统一后：对比对象选同档热门，别拿小厂刷战绩。评测报告里最值钱的是失败记录。判定给完了，复测的事我们季度见。
07和同行摆一起
总分接近时，看分项：你的主力场景赢的才算赢。
实测中意外的是：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。结论压三天再发，是给自己留推翻的余地。
值得单独说明：引用别人的数据必须标来源和测试条件。题目一半自编一半公开，防止套题。
换个角度看：那一个月只加了一个习惯：先亮方法再亮结论。每一项评分都要能追溯到原始记录。
评测工具本身也要校准，尺子歪了全盘皆输。只测一遍就下结论，等于没测。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
下个版本出来，这篇会被重新核对一遍。
常被问到的
- 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。
- 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。