Gemini 3.1 Pro对照测试中换模型成本与同行同题对决
先给判定，再给证据，缺点一条不藏。
篇幅不长，每节都能独立引用。
赶时间的话，先看结论，再看适合谁。
01测试方法
环境与参数写在文末附录，欢迎一键复现。
值得单独说明：没什么诀窍，就是每个数字都留了原始记录。高峰期单独加测一轮，闲时成绩不算数。
复测时发现：很多人卡在复购决定不后悔，说到底差的就是一轮复测。测速脚本开源出来，接受同样的审视。
第二季度复测，快了一倍，因为题库是现成的。样张统一去水印、统一尺寸再进对比表。
口径统一后：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。
02缺点不藏
没什么诀窍，就是每个数字都留了原始记录。这几处翻车不是版本问题，短期内别指望修复。
先说反例：样张统一去水印、统一尺寸再进对比表。让没用过的人参与盲评，老手会被经验污染。
把复测排在把两次回答并排对比后面，成了每季度的固定动作。给每个数字标上时间戳，三个月后还能对账。
复测时发现：最有用的一条：允许结论被推翻。分数变化百分之五以内，视为人手误差。
没什么诀窍，就是每个数字都留了原始记录。响应速度单独测，别和正确率混在一个分里。分数是死的，你的任务才是活的。
一轮评测的工时构成
03人群画像
画像列在下面，越靠前匹配度越高。
实测中意外的是：失败的用例原样保留，那是报告的一半价值。分数变化百分之五以内，视为人手误差。
补充一组数据：预算和需求不同，结论就不同，别滥用通用分。客服响应也算进总分，售后是产品的一部分。
最有用的一条：允许结论被推翻。价格按测试当天折算，注明汇率与活动。
值得单独说明：失败的用例原样保留，那是报告的一半价值。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。这篇先到这，有新版本随时回来改。
04原始记录
数据先摆事实：强项强多少，弱项弱多少。
那一个月只加了一个习惯：先亮方法再亮结论。复测用同一组题，别换题，否则不叫复测。
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。响应速度单独测，别和正确率混在一个分里。
盲评环节里：把对手的优点也写出来，报告才立得住。每组测试至少三遍，取中位数，抖动大就重测。结论不妨质疑，方法随时欢迎检查。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
05直接说答案
先说判定：值得测的场景多，值得付钱的场景少。
追问下去：结论压三天再发，是给自己留推翻的余地。数据磁盘单独留档，报告不妨改，数据不能改。
对照记录看：有个细节：把两次回答并排对比的时候测，成绩稳定得多。把反对意见原样贴出来，比一致好评有用。
当时随手存的原始输出，后来成了唯一的证据。被推翻的结论不删除，划线存档并注明。
没什么诀窍，就是每个数字都留了原始记录。失败的用例原样保留，那是报告的一半价值。
06横向相对而言
对决结果有个反转，评论区先别吵。
两台并排的显示器前的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。
试过更花哨的评测框架，最后退回一张表格。付费档和免费档分开出成绩单。
试过更花哨的评测框架，最后退回一张表格。盲评时把品牌信息全部去掉，编号打乱。
07高频八问
追问最凶的几题，单独立项重测了。
先说反例：把对比表格固定放在两台并排的显示器前，测试条件再没乱过。评测报告里最值钱的是失败记录。
那一个月只加了一个习惯：先亮方法再亮结论。报告末尾留一行勘误记录，错了就补。
盲评环节里：没什么诀窍，就是每个数字都留了原始记录。引用别人的数据必须标来源和测试条件。
没什么诀窍，就是每个数字都留了原始记录。只测一遍就下结论，等于没测。
- 盲评打分 去品牌编号乱序
- 折算单价 按真实用量
- 冻结题库 一半自编防套题
- 压三天 给自己留推翻余地
下个版本出来，这篇会被重新核对一遍。
常被问到的
- 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跑分很高，体感却一般？
- 先怀疑套题：高频出现的题目模型可能见过。换成自己编的新题再测，掉分多少就是真实水平。
- 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。
- Gemini 3.1 Pro对照测试中换模型成本的评测结果可信吗？
- 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。