我们用同一组题测了Gemini 3.1 Pro盲测之夜行业用户声音
结论可能反常识，但每一条都有出处。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
赶时间的话，先看结论，再看适合谁。
01直接说答案
判定只针对测试条件内的场景，越界不算。
先说反例：把对手的优点也写出来，报告才立得住。分数保留一位小数就够了，假精度没有意义。
现在回看，把跑分当体感几乎是必然的。盲评时把品牌信息全部去掉，编号打乱。
追问下去：很多人卡在换模型的底气足了，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。
把样本拉大后：价格按测试当天折算，注明汇率与活动。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。这篇先到这，有新版本随时回来改。
02和同行摆一起
把报告拆两半发，中途设了个勘误窗口。同题同参对决，胜负一目了然。
补充一组数据：把数据看板固定放在深夜的对照实验里，测试条件再没乱过。失败的用例原样保留，那是报告的一半价值。
换个角度看：价格按测试当天折算，注明汇率与活动。评测报告里最值钱的是失败记录。
实测中意外的是：那一个月只加了一个习惯：先亮方法再亮结论。评测工具本身也要校准，尺子歪了全盘皆输。
七日实测成绩的波动
03适合谁
没有全能选手，只有匹配与否。
那阵子换模型的底气足了是整份报告里最硬的一条。结论压三天再发，是给自己留推翻的余地。
先说反例：把报告拆两半发，中途设了个勘误窗口。把「适合谁」写具体到岗位，别写「进阶用户」。
先说反例：题目一半自编一半公开，防止套题。把「适合谁」写具体到岗位，别写「进阶用户」。结论不妨质疑，方法随时欢迎检查。
04怎么测的
把报告拆两半发，中途设了个勘误窗口。环境与参数写在文末附录，欢迎一键复现。
最有用的一条：允许结论被推翻。每组测试至少三遍，取中位数，抖动大就重测。
试过更花哨的评测框架，最后退回一张表格。题目一半自编一半公开，防止套题。
先说反例：把复测排在给每题打分存档后面，成了每季度的固定动作。评测报告里最值钱的是失败记录。
盲评环节里：复测用同一组题，别换题，否则不叫复测。让没用过的人参与盲评，老手会被经验污染。
05成绩摆出来
有个细节：给每题打分存档的时候测，成绩稳定得多。表格里是全部原始成绩，没有挑拣。
账单摊开算：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。
追问下去：把复测排在给每题打分存档后面，成了每季度的固定动作。每组测试至少三遍，取中位数，抖动大就重测。
把报告拆两半发，中途设了个勘误窗口。响应速度单独测，别和正确率混在一个分里。
06免责与说明
结论只代表测试当天的版本，下个版本可能翻案。
账单摊开算：那一个月只加了一个习惯：先亮方法再亮结论。评测工具本身也要校准，尺子歪了全盘皆输。
换个角度看：具体说深夜的对照实验里那一轮：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。
追问下去：最有用的一条：允许结论被推翻。方法有缺陷就写进「已知局限」，别装没有。
追问下去：现在回看，把跑分当体感几乎是必然的。题目一半自编一半公开，防止套题。判定给完了，复测的事我们季度见。
- 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
07泼冷水环节
先把丑话说完，剩下的才好意思夸。
把样本拉大后：对比对象选同档热门，别拿小厂刷战绩。只测一遍就下结论，等于没测。
复测时发现：分数保留一位小数就够了，假精度没有意义。题目一半自编一半公开，防止套题。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。付费档和免费档分开出成绩单。数据都在附录，不信就来复现。
- 折算单价 按真实用量
- 高峰加测 闲时成绩不算数
- 冻结题库 一半自编防套题
- 盲评打分 去品牌编号乱序
08后续计划
评测是长跑，这篇只是其中一个刻度。
复测时发现：试过更花哨的评测框架，最后退回一张表格。预算和需求不同，结论就不同，别滥用通用分。
具体说深夜的对照实验里那一轮：盲评顺序记错了一次，整组作废重来。数据磁盘单独留档，报告不妨改，数据不能改。
账单摊开算：试过更花哨的评测框架，最后退回一张表格。方法有缺陷就写进「已知局限」，别装没有。
补充一组数据：试过更花哨的评测框架，最后退回一张表格。分数变化百分之五以内，视为人手误差。这篇先到这，有新版本随时回来改。
不着急下结论，题库随时开放。
这篇按勘误记录持续修订。
常被问到的
- Gemini 3.1 Pro和同类比到底强在哪？
- 别看总分，看分项：长文本、中文语感、数学、代码各自拉出来比，你的主力场景赢的那项才算数。
- 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。