Gemini 3.1 Pro与上代对比多模态对比实测中的意外发现
同一组题目、同一套流程，测完才敢下结论。篇幅不长，每节都能独立引用。
下面这些，都是亲手测过才敢写。
篇幅不长，每节都能独立引用。
01人群画像
当时随手存的原始输出，后来成了唯一的证据。没有全能选手，只有匹配与否。
换个角度看：把对比表格固定放在测试机的屏幕前，测试条件再没乱过。把反对意见原样贴出来，比一致好评有用。
这事没捷径，只有不跳步。评测报告里最值钱的是失败记录。
实测中意外的是：把报告拆两半发，中途设了个勘误窗口。每一项评分都要能追溯到原始记录。
账单摊开算：第一周最大的发现，是高峰期和闲时能差出一倍。题目一半自编一半公开，防止套题。
- 折算单价 按真实用量
- 压三天 给自己留推翻余地
- 盲评打分 去品牌编号乱序
- 冻结题库 一半自编防套题
02失分点分析
短板集中在两处，都有复现步骤。
对照记录看：付费档和免费档分开出成绩单。被推翻的结论不删除，划线存档并注明。
追问下去：盲评时把品牌信息全部去掉，编号打乱。结论压三天再发，是给自己留推翻的余地。
账单摊开算：有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。官方榜单只当索引，不当证据。
复测时发现：把对比表格固定放在测试机的屏幕前，测试条件再没乱过。把反对意见原样贴出来，比一致好评有用。判定给完了，复测的事我们季度见。
03读数须知
那一个月只加了一个习惯：先亮方法再亮结论。价格和权益变动快，下单前以官方页面为准。
先说反例：题目一半自编一半公开，防止套题。分数变化百分之五以内，视为人手误差。
先说反例：客服响应也算进总分，售后是产品的一部分。把「适合谁」写具体到岗位，别写「进阶用户」。
账单摊开算：数据磁盘单独留档，报告不妨改，数据不能改。别用厂商给的演示样例，那是考过的题。
当时手头只有对比表格，照样把整轮测试跑完了。客服响应也算进总分，售后是产品的一部分。数据都在附录，不信就来复现。
04与对手对比
试过更花哨的评测框架，最后退回一张表格。对手选的是同档最热的三款，输了不冤赢了不虚。
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。
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。盲评时把品牌信息全部去掉，编号打乱。
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。盲评时把品牌信息全部去掉，编号打乱。
补充一组数据：当时随手存的原始输出，后来成了唯一的证据。数据磁盘单独留档，报告不妨改，数据不能改。
05一句话判定
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。先说判定：值得测的场景多，值得付钱的场景少。
先说反例：第一周最大的发现，是高峰期和闲时能差出一倍。把「适合谁」写具体到岗位，别写「进阶用户」。
换个角度看：把对手的优点也写出来，报告才立得住。引用别人的数据必须标来源和测试条件。
实测中意外的是：把对手的优点也写出来，报告才立得住。把对手的优点也写出来，报告才立得住。
按场景拆分的得分差异（参考）
06原始记录
每项得分都标了测试时间和条件。
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。
现在回看，评测完就吃灰几乎是必然的。分数变化百分之五以内，视为人手误差。
复测时发现：很多人卡在值不值有了答案，说到底差的就是一轮复测。只测一遍就下结论，等于没测。
账单摊开算：方法有缺陷就写进「已知局限」，别装没有。数据磁盘单独留档，报告不妨改，数据不能改。
07怎么测的
把对比表格固定放在测试机的屏幕前，测试条件再没乱过。环境与参数写在文末附录，欢迎一键复现。
实测中意外的是：把复测排在固定同一组题再跑一遍后面，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。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。测速脚本开源出来，接受同样的审视。
复测时发现：后来把题量压到「谁都能测完」的规模，反而坚持下来了。把对手的优点也写出来，报告才立得住。
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。对比对象选同档热门，别拿小厂刷战绩。这篇先到这，有新版本随时回来改。
08后续计划
没什么诀窍，就是每个数字都留了原始记录。评测是长跑，这篇只是其中一个刻度。
先说反例：当时随手存的原始输出，后来成了唯一的证据。方法有缺陷就写进「已知局限」，别装没有。
值得单独说明：把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。客服响应也算进总分，售后是产品的一部分。
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。分数是死的，你的任务才是活的。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
写到这里。Gemini 3.1 Pro与上代对比多模态对比的判定给完了，复测季度见。
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与上代对比多模态对比的评测结果可信吗？
- 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。