Gemini 3.1 Pro付费档横评多模态对比盲测结果出乎意料

篇幅不长，每节都能独立引用。

删掉了形容词，留下的都是核对过的数字。

01复评预告

有个细节：把缺点写进复测清单的时候测，成绩稳定得多。季度复评已排上日程，同一组题再跑一遍。

补充一组数据：样本量写清楚，十道题的结论撑不起「完胜」。方法有缺陷就写进「已知局限」，别装没有。

盲评环节里：报告末尾留一行勘误记录，错了就补。付费档和免费档分开出成绩单。

补充一组数据：评测期间不更新驱动不改配置，变量锁死。高峰期单独加测一轮，闲时成绩不算数。

补充一组数据：评测工具本身也要校准，尺子歪了全盘皆输。结论与口碑冲突时，两头都重查一遍。数据都在附录，不信就来复现。

02缺点不藏

短板集中在两处，都有复现步骤。

试过更花哨的评测框架，最后退回一张表格。被推翻的结论不删除，划线存档并注明。

追问下去：第二季度复测，快了一倍，因为题库是现成的。结论压三天再发，是给自己留推翻的余地。

补充一组数据：被推翻的结论不删除，划线存档并注明。测速脚本开源出来，接受同样的审视。

实测中意外的是：把复测排在把缺点写进复测清单后面，成了每季度的固定动作。失败的用例原样保留，那是报告的一半价值。

1. 冻结题库　一半自编防套题
2. 压三天　给自己留推翻余地
3. 折算单价　按真实用量
4. 高峰加测　闲时成绩不算数

03场景匹配

画像列在下面，越靠前匹配度越高。

把样本拉大后：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。

账单摊开算：引用别人的数据必须标来源和测试条件。把反对意见原样贴出来，比一致好评有用。

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。

实测中意外的是：把「适合谁」写具体到岗位，别写「进阶用户」。响应速度单独测，别和正确率混在一个分里。数据都在附录，不信就来复现。

04免责与说明

测试有边界：版本、时间、样本量都圈死了结论的适用范围。

补充一组数据：把复测排在把缺点写进复测清单后面，成了每季度的固定动作。结论压三天再发，是给自己留推翻的余地。

把样本拉大后：多花了一杯咖啡的时间核对来源，省下了一次翻车。结论压三天再发，是给自己留推翻的余地。

那阵子值不值有了答案是整份报告里最硬的一条。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

• 失败用例原样存档
• 结论压了三天才发
• 盲评去掉了品牌信息
• 高峰闲时分开计时

05测试方法

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。题目一半来自真实任务，一半来自公开基准，互相校验。

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」。

账单摊开算：第二季度复测，快了一倍，因为题库是现成的。响应速度单独测，别和正确率混在一个分里。

值得单独说明：这事没捷径，只有不跳步。高峰期单独加测一轮，闲时成绩不算数。

06一句话判定

答案不绕弯，证据在后面逐条摆。

实测中意外的是：那阵子值不值有了答案是整份报告里最硬的一条。复测用同一组题，别换题，否则不叫复测。

这事没捷径，只有不跳步。别用厂商给的演示样例，那是考过的题。

值得单独说明：把复测排在把缺点写进复测清单后面，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。

补充一组数据：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。被推翻的结论不删除，划线存档并注明。

07和同行摆一起

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。对手选的是同档最热的三款，输了不冤赢了不虚。

盲评环节里：当时手头只有评分表，照样把整轮测试跑完了。盲评时把品牌信息全部去掉，编号打乱。

账单摊开算：把报告拆两半发，中途设了个勘误窗口。题目一半自编一半公开，防止套题。

追问下去：把对手的优点也写出来，报告才立得住。失败的用例原样保留，那是报告的一半价值。

值得单独说明：把评分表固定放在测试机的屏幕前，测试条件再没乱过。结论压三天再发，是给自己留推翻的余地。

08成绩摆出来

每项得分都标了测试时间和条件。

补充一组数据：这事没捷径，只有不跳步。结论与口碑冲突时，两头都重查一遍。

把样本拉大后：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。

口径统一后：客服响应也算进总分，售后是产品的一部分。结论压三天再发，是给自己留推翻的余地。

写到这里。Gemini 3.1 Pro付费档横评多模态对比的判定给完了，复测季度见。

条件不同结论不同，按你的场景改。

鲁成针

机器学习工程师，量化方案试了个遍。结论站不住，方法先站住。

这位评测人的其他实测 →