别只看跑分：Gemini 3.1 Pro盲测之夜代码能力评估深度实测
优缺点分开列，适合谁写在最后。
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。
常见翻车点对照
评测执行中的高频错误。
| 环节 | 翻车点 | 后果 | 对策 |
|---|---|---|---|
| 选题 | 全是公开套题 | 成绩虚高 | 一半自编 |
| 环境 | 配置中途变动 | 成绩不可比 | 锁死配置 |
| 盲评 | 品牌信息泄露 | 评分偏移 | 去标识编号 |
| 统计 | 只报均值 | 掩盖抖动 | 报中位数+区间 |
| 结论 | 当天就发布 | 无法推翻 | 压三天再发 |
01数据与样张
每项得分都标了测试时间和条件。
补充一组数据：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。
复测时发现：把盲测编号固定放在测试机的屏幕前，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。
复测时发现：以「你每天重复最多的任务」为第一测试项。结论压三天再发，是给自己留推翻的余地。先拿免费档试一周，再回来对答案。
分数变化百分之五以内，视为人手误差。官方榜单只当索引，不当证据。
02对号入座
没有全能选手，只有匹配与否。
把复测排在给每题打分存档后面，成了每季度的固定动作。分数变化百分之五以内，视为人手误差。
具体说测试机的屏幕前那一轮：盲评顺序记错了一次，整组作废重来。引用别人的数据必须标来源和测试条件。
账单摊开算：当时手头只有盲测编号，照样把整轮测试跑完了。别用厂商给的演示样例，那是考过的题。这篇先到这，有新版本随时回来改。
03评测流程
环境与参数写在文末附录，欢迎一键复现。
账单摊开算：当时手头只有盲测编号，照样把整轮测试跑完了。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。
实测中意外的是：题目一半自编一半公开，防止套题。结论与口碑冲突时，两头都重查一遍。
追问下去：试过更花哨的评测框架，最后退回一张表格。复测用同一组题，别换题，否则不叫复测。数据都在附录，不信就来复现。
五个评测维度的权重分布（参考）
04和同行摆一起
对比表在下面，每一格都能溯源到原始记录。
没什么诀窍，就是每个数字都留了原始记录。方法有缺陷就写进「已知局限」，别装没有。
把复测排在给每题打分存档后面，成了每季度的固定动作。盲评时把品牌信息全部去掉，编号打乱。
把盲测编号固定放在测试机的屏幕前，测试条件再没乱过。评测工具本身也要校准，尺子歪了全盘皆输。
把复测排在给每题打分存档后面，成了每季度的固定动作。失败的用例原样保留，那是报告的一半价值。先拿免费档试一周，再回来对答案。
深夜批处理和白天交互，测出来的延迟是两回事。别用厂商给的演示样例，那是考过的题。
05测试的边界
个人样本量有限，趋势可信，精确数字别较真。
换个角度看：把报告拆两半发，中途设了个勘误窗口。题目一半自编一半公开，防止套题。
第一周最大的发现，是高峰期和闲时能差出一倍。价格按测试当天折算，注明汇率与活动。
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泼冷水环节
失分的题逐条看了，原因不是能力是策略。
对照记录看：把盲测编号固定放在测试机的屏幕前，测试条件再没乱过。响应速度单独测，别和正确率混在一个分里。
第一周最大的发现，是高峰期和闲时能差出一倍。深夜批处理和白天交互，测出来的延迟是两回事。
值得单独说明：当时随手存的原始输出，后来成了唯一的证据。分数保留一位小数就够了，假精度没有意义。
07一句话判定
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
值得单独说明：评测期间不更新驱动不改配置，变量锁死。结论压三天再发，是给自己留推翻的余地。
测试机的屏幕前的测试做完之后，整份报告都顺了。被推翻的结论不删除，划线存档并注明。
复测时发现：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。
盲评环节里：把盲测编号固定放在测试机的屏幕前，测试条件再没乱过。深夜批处理和白天交互，测出来的延迟是两回事。
- 压三天 给自己留推翻余地
- 折算单价 按真实用量
- 冻结题库 一半自编防套题
- 高峰加测 闲时成绩不算数
只带走一句话的话：先看方法那一节。
条件不同结论不同，按你的场景改。
常被问到的
- Gemini 3.1 Pro盲测之夜代码能力评估的评测结果可信吗？
- 可信度看三件事：题目是否公开、是否盲测、是否可复测。满足三条的评测才值得引用，缺一条就当参考。
- 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。
- 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。