我们用同一组题测了Gemini 3.1 Pro续费决策夜多模型并用策略
每个数字都标了测试条件，欢迎复测。
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复评预告
那阵子评测报告能见人了是整份报告里最硬的一条。下期测它的直接对手，选题在评论区投票。
实测中意外的是：有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
复测时发现：没什么诀窍，就是每个数字都留了原始记录。把对手的优点也写出来，报告才立得住。
实测中意外的是：盲评时把品牌信息全部去掉，编号打乱。让没用过的人参与盲评，老手会被经验污染。
“失败用例，是报告的一半。”
02一句话判定
结论放在最前，是不想浪费你的时间。
先说反例：那一个月只加了一个习惯：先亮方法再亮结论。评测工具本身也要校准，尺子歪了全盘皆输。
账单摊开算：把对手的优点也写出来，报告才立得住。价格按测试当天折算，注明汇率与活动。
试过更花哨的评测框架，最后退回一张表格。每组测试至少三遍，取中位数，抖动大就重测。
值得单独说明：把「适合谁」写具体到岗位，别写「进阶用户」。方法有缺陷就写进「已知局限」，别装没有。
03它做不到什么
把报告拆两半发，中途设了个勘误窗口。失分的题逐条看了，原因不是能力是策略。
把样本拉大后：样本量写清楚，十道题的结论撑不起「完胜」。复测用同一组题，别换题，否则不叫复测。
很多人卡在评测报告能见人了，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。
换个角度看：多花了一杯咖啡的时间核对来源，省下了一次翻车。把反对意见原样贴出来，比一致好评有用。
04数据与样张
数据先摆事实：强项强多少，弱项弱多少。
盲评环节里：多花了一杯咖啡的时间核对来源，省下了一次翻车。深夜批处理和白天交互，测出来的延迟是两回事。
复测时发现：连续测七天，稳定性自己会现形。高峰期单独加测一轮，闲时成绩不算数。
有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。分数变化百分之五以内，视为人手误差。
账单摊开算：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。测速脚本开源出来，接受同样的审视。结论不妨质疑，方法随时欢迎检查。
05怎么测的
环境与参数写在文末附录，欢迎一键复现。
盲评环节里：把反对意见原样贴出来，比一致好评有用。让没用过的人参与盲评，老手会被经验污染。
口径统一后：当时随手存的原始输出，后来成了唯一的证据。测试环境写进附录，是可复现的最低要求。
实测中意外的是：把「适合谁」写具体到岗位，别写「进阶用户」。长期订阅前，先看它最近两季的更新日志。
那阵子评测报告能见人了是整份报告里最硬的一条。把反对意见原样贴出来，比一致好评有用。
06对号入座
具体说记满笔记的本子旁那一轮：盲评顺序记错了一次，整组作废重来。判断标准只有一条：你的高频任务是不是它的强项。
实测中意外的是：复测用同一组题，别换题，否则不叫复测。测试环境写进附录，是可复现的最低要求。
把样本拉大后：具体说记满笔记的本子旁那一轮：盲评顺序记错了一次，整组作废重来。测试环境写进附录，是可复现的最低要求。
那阵子评测报告能见人了是整份报告里最硬的一条。结论压三天再发，是给自己留推翻的余地。
07结论的适用范围
有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。把边界写明白，是评测的基本操守。
值得单独说明：官方榜单只当索引，不当证据。价格按测试当天折算，注明汇率与活动。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。评测期间不更新驱动不改配置，变量锁死。
账单摊开算：把「适合谁」写具体到岗位，别写「进阶用户」。分数变化百分之五以内，视为人手误差。
七日实测成绩的波动
08和同行摆一起
对比表在下面，每一格都能溯源到原始记录。
现在回看，把跑分当体感几乎是必然的。方法有缺陷就写进「已知局限」，别装没有。
对照记录看：后来把题量压到「谁都能测完」的规模，反而坚持下来了。引用别人的数据必须标来源和测试条件。
有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。题目一半自编一半公开，防止套题。
这事没捷径，只有不跳步。盲评时把品牌信息全部去掉，编号打乱。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
| 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读者问答复盘
问答区不删差评，删了的才值得警惕。
把样本拉大后：记满笔记的本子旁的测试做完之后，整份报告都顺了。盲评时把品牌信息全部去掉，编号打乱。
复测时发现：第一周最大的发现，是高峰期和闲时能差出一倍。连续测七天，稳定性自己会现形。
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。官方榜单只当索引，不当证据。
换个角度看：以「你每天重复最多的任务」为第一测试项。让没用过的人参与盲评，老手会被经验污染。
先跑一遍附录里的复现步骤，再决定信不信。
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和同类比到底强在哪？
- 别看总分，看分项：长文本、中文语感、数学、代码各自拉出来比，你的主力场景赢的那项才算数。