Gemini 3.1 Pro高压问答里中文能力对比与同行同题对决
压了三天才发的评测，推翻过一次结论。
赶时间的话，先看结论，再看适合谁。
删掉了形容词，留下的都是核对过的数字。
01注意事项
当时随手存的原始输出，后来成了唯一的证据。价格和权益变动快，下单前以官方页面为准。
把样本拉大后：响应速度单独测，别和正确率混在一个分里。价格按测试当天折算，注明汇率与活动。
对照记录看：复测用同一组题，别换题，否则不叫复测。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。数据磁盘单独留档，报告不妨改，数据不能改。
- 冻结题库 一半自编防套题
- 高峰加测 闲时成绩不算数
- 盲评打分 去品牌编号乱序
- 压三天 给自己留推翻余地
02与对手对比
对比表在下面，每一格都能溯源到原始记录。
试过更花哨的评测框架，最后退回一张表格。高峰期单独加测一轮，闲时成绩不算数。
账单摊开算：高峰期单独加测一轮，闲时成绩不算数。把对手的优点也写出来，报告才立得住。
对照记录看：把对手的优点也写出来，报告才立得住。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
先说反例：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。
03复评预告
没什么诀窍，就是每个数字都留了原始记录。有新版本就回来更新这篇，旧结论会标注存档。
复测时发现：每组测试至少三遍，取中位数，抖动大就重测。样张统一去水印、统一尺寸再进对比表。
先说反例：结论压三天再发，是给自己留推翻的余地。让没用过的人参与盲评，老手会被经验污染。
值得单独说明：有个细节：对照官方榜单核对的时候测，成绩稳定得多。每组测试至少三遍，取中位数，抖动大就重测。
先说反例：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。
04成绩摆出来
数据先摆事实：强项强多少，弱项弱多少。
追问下去：最有用的一条：允许结论被推翻。数据磁盘单独留档，报告不妨改，数据不能改。
复测时发现：评测工具本身也要校准，尺子歪了全盘皆输。结论压三天再发，是给自己留推翻的余地。
口径统一后：把报告拆两半发，中途设了个勘误窗口。评测工具本身也要校准，尺子歪了全盘皆输。
盲评环节里：把反对意见原样贴出来，比一致好评有用。高峰期单独加测一轮，闲时成绩不算数。
05它做不到什么
这几处翻车不是版本问题，短期内别指望修复。
对照记录看：方法有缺陷就写进「已知局限」，别装没有。题目一半自编一半公开，防止套题。
补充一组数据：试过更花哨的评测框架，最后退回一张表格。长期订阅前，先看它最近两季的更新日志。
把样本拉大后：给每个数字标上时间戳，三个月后还能对账。价格按测试当天折算，注明汇率与活动。
五个评测维度的权重分布（参考）
06先亮方法
每组测试跑三遍取中位数，抖动超过一成就重测。
追问下去：那阵子复购决定不后悔是整份报告里最硬的一条。被推翻的结论不删除，划线存档并注明。
先说反例：很多人卡在复购决定不后悔，说到底差的就是一轮复测。评测工具本身也要校准，尺子歪了全盘皆输。
没什么诀窍，就是每个数字都留了原始记录。分数保留一位小数就够了，假精度没有意义。
先说反例：具体说复测数据表旁那一轮：盲评顺序记错了一次，整组作废重来。测试环境写进附录，是可复现的最低要求。
07高频八问
问答比正文诚实，语气都保留了。
先说反例：第一周最大的发现，是高峰期和闲时能差出一倍。报告末尾留一行勘误记录，错了就补。
对照记录看：这事没捷径，只有不跳步。让没用过的人参与盲评，老手会被经验污染。
账单摊开算：把评分表固定放在复测数据表旁，测试条件再没乱过。官方榜单只当索引，不当证据。
实测中意外的是：后来把题量压到「谁都能测完」的规模，反而坚持下来了。引用别人的数据必须标来源和测试条件。结论不妨质疑，方法随时欢迎检查。
08直接说答案
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
补充一组数据：结论压三天再发，是给自己留推翻的余地。官方榜单只当索引，不当证据。
把样本拉大后：具体说复测数据表旁那一轮：盲评顺序记错了一次，整组作废重来。方法有缺陷就写进「已知局限」，别装没有。
先说反例：每一项评分都要能追溯到原始记录。被推翻的结论不删除，划线存档并注明。
先跑一遍附录里的复现步骤，再决定信不信。
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高压问答里中文能力对比的评测结果可信吗？
- 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。
- 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。
- Gemini 3.1 Pro值得为了评测里的一个优点订阅吗？
- 把那个优点换算成你的使用频率：每周都用得上就值，一个月一次就先用免费档。