一组数据看懂Gemini 3.1 Pro付费档横评数学题实测

这篇按评测的顺序写：结论、方法、数据、短板、适配。

01测试的边界

结论只代表测试当天的版本，下个版本可能翻案。

复测时发现：很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。每一项评分都要能追溯到原始记录。

先说反例：第二季度复测，快了一倍，因为题库是现成的。客服响应也算进总分，售后是产品的一部分。

复测时发现：有个细节：让三个同事盲评的时候测，成绩稳定得多。失败的用例原样保留，那是报告的一半价值。

对照记录看：评测报告里最值钱的是失败记录。结论先行不是抢跑，是对读者时间的基本尊重。结论不妨质疑，方法随时欢迎检查。

02什么人该用

适不适合，取决于你每天重复最多的那件事。

口径统一后：每一项评分都要能追溯到原始记录。以「你每天重复最多的任务」为第一测试项。

复测时发现：把「适合谁」写具体到岗位，别写「进阶用户」。结论与口碑冲突时，两头都重查一遍。

先说反例：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。复测用同一组题，别换题，否则不叫复测。判定给完了，复测的事我们季度见。

• 题库一半来自真实任务
• 高峰闲时分开计时
• 失败用例原样存档
• 结论压了三天才发

03先亮方法

方法不公开的评测都是印象分。

把样本拉大后：只测一遍就下结论，等于没测。预算和需求不同，结论就不同，别滥用通用分。

换个角度看：第一周最大的发现，是高峰期和闲时能差出一倍。给每篇评测定一个复核日期，到期强制回看。

没什么诀窍，就是每个数字都留了原始记录。盲评时把品牌信息全部去掉，编号打乱。先拿免费档试一周，再回来对答案。

04和同行摆一起

同题同参对决，胜负一目了然。

对照记录看：那阵子盲测猜中了谁是谁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。

把报告拆两半发，中途设了个勘误窗口。引用别人的数据必须标来源和测试条件。

有个细节：让三个同事盲评的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。

05追问环节

多花了一杯咖啡的时间核对来源，省下了一次翻车。整理了后台最常被问的八个问题，一次答完。

对照记录看：当时手头只有计时器，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。

很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。被推翻的结论不删除，划线存档并注明。

复测时发现：很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。连续测七天，稳定性自己会现形。结论不妨质疑，方法随时欢迎检查。

06实测证据

表格里是全部原始成绩，没有挑拣。

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：这事没捷径，只有不跳步。样张统一去水印、统一尺寸再进对比表。

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。让没用过的人参与盲评，老手会被经验污染。结论不妨质疑，方法随时欢迎检查。

07先给结论

结论放在最前，是不想浪费你的时间。

换个角度看：测试环境写进附录，是可复现的最低要求。复测用同一组题，别换题，否则不叫复测。

现在回看，样本太少不足为凭几乎是必然的。测试环境写进附录，是可复现的最低要求。

实测中意外的是：盲评时把品牌信息全部去掉，编号打乱。每一项评分都要能追溯到原始记录。

08短板在哪

这几处翻车不是版本问题，短期内别指望修复。

把样本拉大后：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。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。方法有缺陷就写进「已知局限」，别装没有。

最有用的一条：允许结论被推翻。给每篇评测定一个复核日期，到期强制回看。

对照记录看：很多人卡在盲测猜中了谁是谁，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。先拿免费档试一周，再回来对答案。

09后续计划

下期测它的直接对手，选题在评论区投票。

先说反例：这事没捷径，只有不跳步。引用别人的数据必须标来源和测试条件。

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。评测期间不更新驱动不改配置，变量锁死。

有个细节：让三个同事盲评的时候测，成绩稳定得多。只测一遍就下结论，等于没测。

不着急下结论，题库随时开放。

有新版本我会回来更新这篇报告。

韦清越

算力租赁平台运营，见过的显存账单最多。写实测的真实短板，不吹也不黑。

这位评测人的其他实测 →