Gemini 3.1 Pro免费档横评短板场景盘点的口碑与实测对不上？查了
压了三天才发的评测，推翻过一次结论。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01跟踪安排
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。季度复评已排上日程，同一组题再跑一遍。
追问下去：分数保留一位小数就够了，假精度没有意义。评测工具本身也要校准，尺子歪了全盘皆输。
把样本拉大后：具体说评测表格的格子间那一轮：盲评顺序记错了一次，整组作废重来。方法有缺陷就写进「已知局限」，别装没有。
换个角度看：第一周最大的发现，是高峰期和闲时能差出一倍。评测期间不更新驱动不改配置，变量锁死。
02结论先行
第二季度复测，快了一倍，因为题库是现成的。判定只针对测试条件内的场景，越界不算。
第一周最大的发现，是高峰期和闲时能差出一倍。测速脚本开源出来，接受同样的审视。
复测时发现：现在回看，被榜单带了节奏几乎是必然的。只测一遍就下结论，等于没测。
先说反例：没什么诀窍，就是每个数字都留了原始记录。样张统一去水印、统一尺寸再进对比表。
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。以「你每天重复最多的任务」为第一测试项。判定给完了，复测的事我们季度见。
七日实测成绩的波动
03读数须知
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。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：具体说评测表格的格子间那一轮：盲评顺序记错了一次，整组作废重来。方法有缺陷就写进「已知局限」，别装没有。
当时随手存的原始输出，后来成了唯一的证据。结论与口碑冲突时，两头都重查一遍。
这事没捷径，只有不跳步。报告末尾留一行勘误记录，错了就补。先拿免费档试一周，再回来对答案。
“一轮复测，胜过十次转发。”
04原始记录
表格里是全部原始成绩，没有挑拣。
账单摊开算：具体说评测表格的格子间那一轮：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。
很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。高峰期单独加测一轮，闲时成绩不算数。
把样本拉大后：结论压三天再发，是给自己留推翻的余地。盲评时把品牌信息全部去掉，编号打乱。
换个角度看：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。深夜批处理和白天交互，测出来的延迟是两回事。
05评测流程
多花了一杯咖啡的时间核对来源，省下了一次翻车。同一组题、同一台机器、同一套提示词，变量只剩模型。
实测中意外的是：多花了一杯咖啡的时间核对来源，省下了一次翻车。以「你每天重复最多的任务」为第一测试项。
复测时发现：失败的用例原样保留，那是报告的一半价值。引用别人的数据必须标来源和测试条件。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。评测工具本身也要校准，尺子歪了全盘皆输。
对照记录看：对比对象选同档热门，别拿小厂刷战绩。测速脚本开源出来，接受同样的审视。判定给完了，复测的事我们季度见。
06短板在哪
第一周最大的发现，是高峰期和闲时能差出一倍。失分的题逐条看了，原因不是能力是策略。
这事没捷径，只有不跳步。每一项评分都要能追溯到原始记录。
对照记录看：第二季度复测，快了一倍，因为题库是现成的。评测报告里最值钱的是失败记录。
对照记录看：给每个数字标上时间戳，三个月后还能对账。评测期间不更新驱动不改配置，变量锁死。
追问下去：分数保留一位小数就够了，假精度没有意义。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
- 高峰加测 闲时成绩不算数
- 折算单价 按真实用量
- 压三天 给自己留推翻余地
- 冻结题库 一半自编防套题
07高频八问
第一周最大的发现，是高峰期和闲时能差出一倍。没答完的问题，留在下期继续。
补充一组数据：把报告拆两半发，中途设了个勘误窗口。报告末尾留一行勘误记录，错了就补。
追问下去：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。
换个角度看：现在回看，被榜单带了节奏几乎是必然的。测速脚本开源出来，接受同样的审视。
口径统一后：试过更花哨的评测框架，最后退回一张表格。分数保留一位小数就够了，假精度没有意义。判定给完了，复测的事我们季度见。
08与对手对比
总分接近时，看分项：你的主力场景赢的才算赢。
补充一组数据：试过更花哨的评测框架，最后退回一张表格。分数保留一位小数就够了，假精度没有意义。
复测时发现：样本量写清楚，十道题的结论撑不起「完胜」。付费档和免费档分开出成绩单。
把样本拉大后：具体说评测表格的格子间那一轮：盲评顺序记错了一次，整组作废重来。方法有缺陷就写进「已知局限」，别装没有。
口径统一后：深夜批处理和白天交互，测出来的延迟是两回事。长期订阅前，先看它最近两季的更新日志。
写到这里。Gemini 3.1 Pro免费档横评短板场景盘点的判定给完了，复测季度见。
引用数据请连同测试条件一起带走。
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。
- 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。