不服来辩：Gemini 3.1 Pro年终横评分数区间理解的实测结论

下面这些，都是亲手测过才敢写。

01结论的适用范围

个人样本量有限，趋势可信，精确数字别较真。

复测时发现：引用别人的数据必须标来源和测试条件。深夜批处理和白天交互，测出来的延迟是两回事。

具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。结论压三天再发，是给自己留推翻的余地。

把样本拉大后：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。

02实测证据

样张和回答原文都存了档，谁都不妨核对。

复测时发现：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。

值得单独说明：盲评时把品牌信息全部去掉，编号打乱。高峰期单独加测一轮，闲时成绩不算数。

值得单独说明：后来把题量压到「谁都能测完」的规模，反而坚持下来了。对比对象选同档热门，别拿小厂刷战绩。

先说反例：报告末尾留一行勘误记录，错了就补。让没用过的人参与盲评，老手会被经验污染。

03缺点不藏

这几处翻车不是版本问题，短期内别指望修复。

追问下去：别用厂商给的演示样例，那是考过的题。失败的用例原样保留，那是报告的一半价值。

口径统一后：当时手头只有计时器，照样把整轮测试跑完了。样张统一去水印、统一尺寸再进对比表。

值得单独说明：分数变化百分之五以内，视为人手误差。结论压三天再发，是给自己留推翻的余地。

先说反例：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。

04人群画像

最有用的一条：允许结论被推翻。适不适合，取决于你每天重复最多的那件事。

很多人卡在选型会不再吵架，说到底差的就是一轮复测。官方榜单只当索引，不当证据。

口径统一后：多花了一杯咖啡的时间核对来源，省下了一次翻车。评测报告里最值钱的是失败记录。

先说反例：别用厂商给的演示样例，那是考过的题。盲评时把品牌信息全部去掉，编号打乱。

复测时发现：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。

05先给结论

判定只针对测试条件内的场景，越界不算。

值得单独说明：那一个月只加了一个习惯：先亮方法再亮结论。连续测七天，稳定性自己会现形。

值得单独说明：引用别人的数据必须标来源和测试条件。分数保留一位小数就够了，假精度没有意义。

盲评环节里：分数保留一位小数就够了，假精度没有意义。以「你每天重复最多的任务」为第一测试项。

“一轮复测，胜过十次转发。”

06与对手对比

当时随手存的原始输出，后来成了唯一的证据。对手选的是同档最热的三款，输了不冤赢了不虚。

把样本拉大后：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：把对手的优点也写出来，报告才立得住。评测期间不更新驱动不改配置，变量锁死。

换个角度看：结论压三天再发，是给自己留推翻的余地。方法有缺陷就写进「已知局限」，别装没有。

07先亮方法

方法不公开的评测都是印象分。

换个角度看：两台并排的显示器前的测试做完之后，整份报告都顺了。把对手的优点也写出来，报告才立得住。

实测中意外的是：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。

那一个月只加了一个习惯：先亮方法再亮结论。方法有缺陷就写进「已知局限」，别装没有。

那一个月只加了一个习惯：先亮方法再亮结论。把对手的优点也写出来，报告才立得住。

08下一步

季度复评已排上日程，同一组题再跑一遍。

实测中意外的是：当时手头只有计时器，照样把整轮测试跑完了。结论先行不是抢跑，是对读者时间的基本尊重。

盲评环节里：现在回看，只测了一遍就下结论几乎是必然的。测速脚本开源出来，接受同样的审视。

追问下去：那一个月只加了一个习惯：先亮方法再亮结论。每一项评分都要能追溯到原始记录。

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。分数是死的，你的任务才是活的。

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。

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 →