Gemini 3.1 Pro连续实测七天好评可信度判断答问实录：八问八答
分数只是索引，重点看分项和场景。删掉了形容词，留下的都是核对过的数字。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
赶时间的话，先看结论，再看适合谁。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01先亮方法
当时手头只有盲测编号，照样把整轮测试跑完了。方法不公开的评测都是印象分。
口径统一后：让没用过的人参与盲评，老手会被经验污染。付费档和免费档分开出成绩单。
对照记录看：深夜批处理和白天交互，测出来的延迟是两回事。失败的用例原样保留，那是报告的一半价值。
值得单独说明：复测用同一组题，别换题，否则不叫复测。官方榜单只当索引，不当证据。
补充一组数据：有个细节：记录每题的响应秒数的时候测，成绩稳定得多。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。
02同题对决
总分接近时，看分项：你的主力场景赢的才算赢。
先说反例：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。
补充一组数据：把报告拆两半发，中途设了个勘误窗口。样本量写清楚，十道题的结论撑不起「完胜」。
对照记录看：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。长期订阅前，先看它最近两季的更新日志。
追问下去：最有用的一条：允许结论被推翻。测试环境写进附录，是可复现的最低要求。
03结论的适用范围
把边界写明白，是评测的基本操守。
补充一组数据：数据磁盘单独留档，报告不妨改，数据不能改。测速脚本开源出来，接受同样的审视。
实测中意外的是：当时手头只有盲测编号，照样把整轮测试跑完了。高峰期单独加测一轮，闲时成绩不算数。
账单摊开算：有个细节：记录每题的响应秒数的时候测，成绩稳定得多。客服响应也算进总分，售后是产品的一部分。
盲评与跑分的相关性（示意）
04人群画像
当时手头只有盲测编号，照样把整轮测试跑完了。判断标准只有一条：你的高频任务是不是它的强项。
没什么诀窍，就是每个数字都留了原始记录。测试环境写进附录，是可复现的最低要求。
追问下去：现在回看，题目全挑模型擅长的几乎是必然的。评测期间不更新驱动不改配置，变量锁死。
多花了一杯咖啡的时间核对来源，省下了一次翻车。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
追问下去：把复测排在记录每题的响应秒数后面，成了每季度的固定动作。响应速度单独测，别和正确率混在一个分里。
05失分点分析
有个细节：记录每题的响应秒数的时候测，成绩稳定得多。缺点说清楚，优点才可信。
盲评环节里：把「适合谁」写具体到岗位，别写「进阶用户」。官方榜单只当索引，不当证据。
账单摊开算：结论与口碑冲突时，两头都重查一遍。分数保留一位小数就够了，假精度没有意义。
换个角度看：当时手头只有盲测编号，照样把整轮测试跑完了。对比对象选同档热门，别拿小厂刷战绩。
| 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 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
06先给结论
很多人卡在复购决定不后悔，说到底差的就是一轮复测。结论放在最前，是不想浪费你的时间。
补充一组数据：对比对象选同档热门，别拿小厂刷战绩。客服响应也算进总分，售后是产品的一部分。
当时随手存的原始输出，后来成了唯一的证据。连续测七天，稳定性自己会现形。
换个角度看：以「你每天重复最多的任务」为第一测试项。盲评时把品牌信息全部去掉，编号打乱。
口径统一后：试过更花哨的评测框架，最后退回一张表格。预算和需求不同，结论就不同，别滥用通用分。这篇先到这，有新版本随时回来改。
07下一步
季度复评已排上日程，同一组题再跑一遍。
追问下去：多花了一杯咖啡的时间核对来源，省下了一次翻车。失败的用例原样保留，那是报告的一半价值。
那阵子复购决定不后悔是整份报告里最硬的一条。深夜批处理和白天交互，测出来的延迟是两回事。
值得单独说明：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。
值得单独说明：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。
- 折算单价 按真实用量
- 盲评打分 去品牌编号乱序
- 压三天 给自己留推翻余地
- 高峰加测 闲时成绩不算数
不着急下结论，题库随时开放。
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。
- 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。