Gemini 3.1 Pro续费决策夜指令遵循实测问答合集：最常被问的八题
先给判定，再给证据，缺点一条不藏。
删掉了形容词，留下的都是核对过的数字。
01先给结论
具体说书房的白板前那一轮：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。
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。高峰期单独加测一轮，闲时成绩不算数。
把盲测编号固定放在书房的白板前，测试条件再没乱过。引用别人的数据必须标来源和测试条件。
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。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。
02问答实录
当时随手存的原始输出，后来成了唯一的证据。问答比正文诚实，语气都保留了。
第二季度复测，快了一倍，因为题库是现成的。把反对意见原样贴出来，比一致好评有用。
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。连续测七天，稳定性自己会现形。
实测中意外的是：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。先拿免费档试一周，再回来对答案。
03评测流程
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。方法不公开的评测都是印象分。
先说反例：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。
追问下去：评测期间不更新驱动不改配置，变量锁死。深夜批处理和白天交互，测出来的延迟是两回事。
换个角度看：把对手的优点也写出来，报告才立得住。对比对象选同档热门，别拿小厂刷战绩。
值得单独说明：第二季度复测，快了一倍，因为题库是现成的。深夜批处理和白天交互，测出来的延迟是两回事。
“分数是索引，场景才是答案。”
04下一步
有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。本期未尽事项列了清单，逐项跟进。
账单摊开算：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。
书房的白板前的测试做完之后，整份报告都顺了。价格按测试当天折算，注明汇率与活动。
把样本拉大后：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。
口径统一后：预算和需求不同，结论就不同，别滥用通用分。分数保留一位小数就够了，假精度没有意义。
05场景匹配
没有全能选手，只有匹配与否。
没什么诀窍，就是每个数字都留了原始记录。评测报告里最值钱的是失败记录。
追问下去：评测期间不更新驱动不改配置，变量锁死。评测期间不更新驱动不改配置，变量锁死。
值得单独说明：当时手头只有盲测编号，照样把整轮测试跑完了。让没用过的人参与盲评，老手会被经验污染。
没什么诀窍，就是每个数字都留了原始记录。连续测七天，稳定性自己会现形。分数是死的，你的任务才是活的。
06对决结果
很多人卡在复购决定不后悔，说到底差的就是一轮复测。同题同参对决，胜负一目了然。
复测时发现：连续测七天，稳定性自己会现形。长期订阅前，先看它最近两季的更新日志。
复测时发现：引用别人的数据必须标来源和测试条件。预算和需求不同，结论就不同，别滥用通用分。
口径统一后：把「适合谁」写具体到岗位，别写「进阶用户」。别用厂商给的演示样例，那是考过的题。
对照记录看：具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。被推翻的结论不删除，划线存档并注明。这篇先到这，有新版本随时回来改。
07数据与样张
样张和回答原文都存了档，谁都不妨核对。
当时手头只有盲测编号，照样把整轮测试跑完了。分数变化百分之五以内，视为人手误差。
把样本拉大后：高峰期单独加测一轮，闲时成绩不算数。结论与口碑冲突时，两头都重查一遍。
口径统一后：当时手头只有盲测编号，照样把整轮测试跑完了。让没用过的人参与盲评，老手会被经验污染。
一轮评测的工时构成
08测试的边界
结论只代表测试当天的版本，下个版本可能翻案。
口径统一后：那一个月只加了一个习惯：先亮方法再亮结论。样本量写清楚，十道题的结论撑不起「完胜」。
当时手头只有盲测编号，照样把整轮测试跑完了。把反对意见原样贴出来，比一致好评有用。
先说反例：把报告拆两半发，中途设了个勘误窗口。评测期间不更新驱动不改配置，变量锁死。
现在回看，样本太少不足为凭几乎是必然的。响应速度单独测，别和正确率混在一个分里。
09泼冷水环节
缺点说清楚，优点才可信。
值得单独说明：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。
追问下去：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。
实测中意外的是：每一项评分都要能追溯到原始记录。测试环境写进附录，是可复现的最低要求。这篇先到这，有新版本随时回来改。
| 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 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
不着急下结论，题库随时开放。
这篇按勘误记录持续修订。
常被问到的
- Gemini 3.1 Pro续费决策夜指令遵循实测的评测结果可信吗？
- 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。
- 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。