写给犹豫的人：Gemini 3.1 Pro与上代对比行业用户声音实测问答
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。
适用人群对照表
不同人群该重点看哪个维度。
| 人群 | 第一维度 | 第二维度 | 提示 |
|---|---|---|---|
| 重度用户 | 成本 | 速度 | 按量细算 |
| 轻度用户 | 免费额度 | 上手难度 | 够用就好 |
| 团队决策 | 稳定 | 生态 | 先试点再推 |
| 创作者 | 质量 | 风格一致性 | 盲评样张 |
| 开发者 | 接口 | 稳定 | 看 API 文档 |
01它做不到什么
那阵子值不值有了答案是整份报告里最硬的一条。这几处翻车不是版本问题，短期内别指望修复。
实测中意外的是：两台并排的显示器前的测试做完之后，整份报告都顺了。引用别人的数据必须标来源和测试条件。
那阵子值不值有了答案是整份报告里最硬的一条。方法有缺陷就写进「已知局限」，别装没有。
实测中意外的是：当时手头只有截图存档，照样把整轮测试跑完了。把对手的优点也写出来，报告才立得住。
对照记录看：两台并排的显示器前的测试做完之后，整份报告都顺了。盲评时把品牌信息全部去掉，编号打乱。先拿免费档试一周，再回来对答案。
02读数须知
结论只代表测试当天的版本，下个版本可能翻案。
实测中意外的是：引用别人的数据必须标来源和测试条件。深夜批处理和白天交互，测出来的延迟是两回事。
追问下去：分数保留一位小数就够了，假精度没有意义。只测一遍就下结论，等于没测。
口径统一后：具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。分数保留一位小数就够了，假精度没有意义。
换个角度看：每组测试至少三遍，取中位数，抖动大就重测。样张统一去水印、统一尺寸再进对比表。判定给完了，复测的事我们季度见。
03直接说答案
当时手头只有截图存档，照样把整轮测试跑完了。判定只针对测试条件内的场景，越界不算。
先说反例：被推翻的结论不删除，划线存档并注明。引用别人的数据必须标来源和测试条件。
盲评环节里：把「适合谁」写具体到岗位，别写「进阶用户」。报告末尾留一行勘误记录，错了就补。
先说反例：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。每组测试至少三遍，取中位数，抖动大就重测。
换个角度看：以「你每天重复最多的任务」为第一测试项。样张统一去水印、统一尺寸再进对比表。
04怎么测的
方法不公开的评测都是印象分。
口径统一后：那一个月只加了一个习惯：先亮方法再亮结论。只测一遍就下结论，等于没测。
值得单独说明：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。客服响应也算进总分，售后是产品的一部分。
值得单独说明：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。把反对意见原样贴出来，比一致好评有用。
05读者问答复盘
第二季度复测，快了一倍，因为题库是现成的。问答比正文诚实，语气都保留了。
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。把反对意见原样贴出来，比一致好评有用。
盲评环节里：两台并排的显示器前的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。
换个角度看：具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。长期订阅前，先看它最近两季的更新日志。
先说反例：两台并排的显示器前的测试做完之后，整份报告都顺了。对比对象选同档热门，别拿小厂刷战绩。
一轮评测的工时构成
06后续计划
本期未尽事项列了清单，逐项跟进。
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。价格按测试当天折算，注明汇率与活动。
账单摊开算：连续测七天，稳定性自己会现形。被推翻的结论不删除，划线存档并注明。
补充一组数据：那阵子值不值有了答案是整份报告里最硬的一条。付费档和免费档分开出成绩单。分数是死的，你的任务才是活的。
07场景匹配
现在回看，评测完就吃灰几乎是必然的。判断标准只有一条：你的高频任务是不是它的强项。
第二季度复测，快了一倍，因为题库是现成的。对比对象选同档热门，别拿小厂刷战绩。
口径统一后：试过更花哨的评测框架，最后退回一张表格。分数变化百分之五以内，视为人手误差。
值得单独说明：样张统一去水印、统一尺寸再进对比表。方法有缺陷就写进「已知局限」，别装没有。
换个角度看：两台并排的显示器前的测试做完之后，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。数据都在附录，不信就来复现。
08对决结果
这事没捷径，只有不跳步。对手选的是同档最热的三款，输了不冤赢了不虚。
补充一组数据：把报告拆两半发，中途设了个勘误窗口。连续测七天，稳定性自己会现形。
补充一组数据：最有用的一条：允许结论被推翻。方法有缺陷就写进「已知局限」，别装没有。
值得单独说明：第一周最大的发现，是高峰期和闲时能差出一倍。评测工具本身也要校准，尺子歪了全盘皆输。结论不妨质疑，方法随时欢迎检查。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 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 |
09成绩摆出来
样张和回答原文都存了档，谁都不妨核对。
值得单独说明：第二季度复测，快了一倍，因为题库是现成的。客服响应也算进总分，售后是产品的一部分。
实测中意外的是：后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论与口碑冲突时，两头都重查一遍。
复测时发现：当时手头只有截图存档，照样把整轮测试跑完了。把对手的优点也写出来，报告才立得住。
- 题库一半来自真实任务
- 结论压了三天才发
- 失败用例原样存档
- 高峰闲时分开计时
数据和短板都摆全了，放心引用。
有更严的测法，欢迎来信指教。
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。
- 免费档和付费档值得分开测吗？
- 必须分开。两档背后常是不同规格的模型，混在一起评会得出「时好时坏」的假结论。
- 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。