别只看跑分：Gemini 3.1 Pro深夜实测好评可信度判断深度实测
带着你自己的任务来对号入座。
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你问我答
很多人卡在选型会不再吵架，说到底差的就是一轮复测。问答区不删差评，删了的才值得警惕。
盲评环节里：把对比表格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。
把样本拉大后：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。
对照记录看：分数保留一位小数就够了，假精度没有意义。只测一遍就下结论，等于没测。
02人群画像
有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。判断标准只有一条：你的高频任务是不是它的强项。
第一周最大的发现，是高峰期和闲时能差出一倍。盲评时把品牌信息全部去掉，编号打乱。
换个角度看：第二季度复测，快了一倍，因为题库是现成的。每组测试至少三遍，取中位数，抖动大就重测。
很多人卡在选型会不再吵架，说到底差的就是一轮复测。引用别人的数据必须标来源和测试条件。
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。先拿免费档试一周，再回来对答案。
03下一步
试过更花哨的评测框架，最后退回一张表格。评测是长跑，这篇只是其中一个刻度。
换个角度看：最有用的一条：允许结论被推翻。预算和需求不同，结论就不同，别滥用通用分。
先说反例：方法有缺陷就写进「已知局限」，别装没有。测试环境写进附录，是可复现的最低要求。
口径统一后：没什么诀窍，就是每个数字都留了原始记录。结论先行不是抢跑，是对读者时间的基本尊重。
补充一组数据：把对比表格固定放在测试机的屏幕前，测试条件再没乱过。把反对意见原样贴出来，比一致好评有用。先拿免费档试一周，再回来对答案。
04得分明细
现在回看，盲测顺序泄了底几乎是必然的。失败的用例也放在这里，删掉它们就是造假。
账单摊开算：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。
当时随手存的原始输出，后来成了唯一的证据。引用别人的数据必须标来源和测试条件。
实测中意外的是：结论与口碑冲突时，两头都重查一遍。连续测七天，稳定性自己会现形。
账单摊开算：以「你每天重复最多的任务」为第一测试项。复测用同一组题，别换题，否则不叫复测。
05一句话判定
先说判定：值得测的场景多，值得付钱的场景少。
追问下去：把对比表格固定放在测试机的屏幕前，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。
对照记录看：评测期间不更新驱动不改配置，变量锁死。评测工具本身也要校准，尺子歪了全盘皆输。
先说反例：有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。评测报告里最值钱的是失败记录。
盲评环节里：盲评时把品牌信息全部去掉，编号打乱。分数保留一位小数就够了，假精度没有意义。
06短板在哪
当时随手存的原始输出，后来成了唯一的证据。先把丑话说完，剩下的才好意思夸。
当时随手存的原始输出，后来成了唯一的证据。对比对象选同档热门，别拿小厂刷战绩。
换个角度看：把反对意见原样贴出来，比一致好评有用。测试环境写进附录，是可复现的最低要求。
对照记录看：把对手的优点也写出来，报告才立得住。把「适合谁」写具体到岗位，别写「进阶用户」。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
07读数须知
把边界写明白，是评测的基本操守。
盲评环节里：结论与口碑冲突时，两头都重查一遍。让没用过的人参与盲评，老手会被经验污染。
实测中意外的是：复测用同一组题，别换题，否则不叫复测。数据磁盘单独留档，报告不妨改，数据不能改。
盲评环节里：那阵子选型会不再吵架是整份报告里最硬的一条。付费档和免费档分开出成绩单。
换个角度看：连续测七天，稳定性自己会现形。预算和需求不同，结论就不同，别滥用通用分。
- 失败用例原样存档
- 盲评去掉了品牌信息
- 题库一半来自真实任务
- 结论压了三天才发
08同题对决
那一个月只加了一个习惯：先亮方法再亮结论。同题同参对决，胜负一目了然。
补充一组数据：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。结论压三天再发，是给自己留推翻的余地。
换个角度看：很多人卡在选型会不再吵架，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。
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。
09评测流程
题目一半来自真实任务，一半来自公开基准，互相校验。
把对比表格固定放在测试机的屏幕前，测试条件再没乱过。别用厂商给的演示样例，那是考过的题。
实测中意外的是：把对手的优点也写出来，报告才立得住。题目一半自编一半公开，防止套题。
盲评环节里：当时随手存的原始输出，后来成了唯一的证据。分数变化百分之五以内，视为人手误差。
先说反例：测试机的屏幕前的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
成本与质量的相对位置
写到这里。Gemini 3.1 Pro深夜实测好评可信度判断的判定给完了，复测季度见。
有新版本我会回来更新这篇报告。
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。