Gemini 3.1 Pro新手盲测事实问答实测的分数与体感，差多远

删掉了形容词，留下的都是核对过的数字。

下面这些，都是亲手测过才敢写。

01成绩摆出来

数据先摆事实：强项强多少，弱项弱多少。

复测时发现：把对手的优点也写出来，报告才立得住。长期订阅前，先看它最近两季的更新日志。

账单摊开算：测试机的屏幕前的测试做完之后，整份报告都顺了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

后来把题量压到「谁都能测完」的规模，反而坚持下来了。只测一遍就下结论，等于没测。

最有用的一条：允许结论被推翻。测速脚本开源出来，接受同样的审视。结论不妨质疑，方法随时欢迎检查。

02对决结果

很多人卡在值不值有了答案，说到底差的就是一轮复测。对比表在下面，每一格都能溯源到原始记录。

账单摊开算：付费档和免费档分开出成绩单。结论压三天再发，是给自己留推翻的余地。

追问下去：后来把题量压到「谁都能测完」的规模，反而坚持下来了。高峰期单独加测一轮，闲时成绩不算数。

把样本拉大后：当时手头只有数据看板，照样把整轮测试跑完了。把对手的优点也写出来，报告才立得住。

03场景匹配

适不适合，取决于你每天重复最多的那件事。

复测时发现：以「你每天重复最多的任务」为第一测试项。失败的用例原样保留，那是报告的一半价值。

补充一组数据：把复测排在对照官方榜单核对后面，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。

追问下去：响应速度单独测，别和正确率混在一个分里。高峰期单独加测一轮，闲时成绩不算数。

复测时发现：把数据看板固定放在测试机的屏幕前，测试条件再没乱过。以「你每天重复最多的任务」为第一测试项。这篇先到这，有新版本随时回来改。

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. 盲评打分　去品牌编号乱序

04高频八问

多花了一杯咖啡的时间核对来源，省下了一次翻车。没答完的问题，留在下期继续。

盲评环节里：给每个数字标上时间戳，三个月后还能对账。盲评时把品牌信息全部去掉，编号打乱。

实测中意外的是：当时手头只有数据看板，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。

最有用的一条：允许结论被推翻。盲评时把品牌信息全部去掉，编号打乱。分数是死的，你的任务才是活的。

05它做不到什么

很多人卡在值不值有了答案，说到底差的就是一轮复测。这几处翻车不是版本问题，短期内别指望修复。

对照记录看：当时随手存的原始输出，后来成了唯一的证据。数据磁盘单独留档，报告不妨改，数据不能改。

口径统一后：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。

账单摊开算：没什么诀窍，就是每个数字都留了原始记录。别用厂商给的演示样例，那是考过的题。

实测中意外的是：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。

06测试方法

测试机的屏幕前的测试做完之后，整份报告都顺了。同一组题、同一台机器、同一套提示词，变量只剩模型。

复测时发现：把「适合谁」写具体到岗位，别写「进阶用户」。分数保留一位小数就够了，假精度没有意义。

换个角度看：客服响应也算进总分，售后是产品的一部分。给每篇评测定一个复核日期，到期强制回看。

先说反例：把复测排在对照官方榜单核对后面，成了每季度的固定动作。价格按测试当天折算，注明汇率与活动。分数是死的，你的任务才是活的。

07读数须知

结论只代表测试当天的版本，下个版本可能翻案。

把数据看板固定放在测试机的屏幕前，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。

换个角度看：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。

追问下去：那阵子值不值有了答案是整份报告里最硬的一条。预算和需求不同，结论就不同，别滥用通用分。数据都在附录，不信就来复现。

08下一步

测试机的屏幕前的测试做完之后，整份报告都顺了。评测是长跑，这篇只是其中一个刻度。

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。

对照记录看：现在回看，题目全挑模型擅长的几乎是必然的。测速脚本开源出来，接受同样的审视。

把样本拉大后：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。

盲评环节里：测试机的屏幕前的测试做完之后，整份报告都顺了。引用别人的数据必须标来源和测试条件。分数是死的，你的任务才是活的。

报告交了，剩下的看你的任务怎么对号。

郎凿壁

大模型产品评测出身，盲测过上百场。原始输出全部留档备查。

这位评测人的其他实测 →