Gemini 3.1 Pro多模态评测推理题实测值不值得用？这篇给判定
这份报告里没有惊喜，只有核对过的数据。赶时间的话，先看结论，再看适合谁。
下面这些，都是亲手测过才敢写。
篇幅不长，每节都能独立引用。
01你问我答
问答区不删差评，删了的才值得警惕。
换个角度看：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。
实测中意外的是：失败的用例原样保留，那是报告的一半价值。连续测七天，稳定性自己会现形。
试过更花哨的评测框架，最后退回一张表格。每组测试至少三遍，取中位数，抖动大就重测。
把复测排在对照官方榜单核对后面，成了每季度的固定动作。测速脚本开源出来，接受同样的审视。结论不妨质疑，方法随时欢迎检查。
一轮评测的工时构成
02失分点分析
当时随手存的原始输出，后来成了唯一的证据。短板集中在两处，都有复现步骤。
对照记录看：把评分表固定放在评测表格的格子间，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。
换个角度看：给每篇评测定一个复核日期，到期强制回看。报告末尾留一行勘误记录，错了就补。
评测表格的格子间的测试做完之后，整份报告都顺了。盲评时把品牌信息全部去掉，编号打乱。
值得单独说明：没什么诀窍，就是每个数字都留了原始记录。结论与口碑冲突时，两头都重查一遍。
03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。
具体说评测表格的格子间那一轮：盲评顺序记错了一次，整组作废重来。只测一遍就下结论，等于没测。
补充一组数据：很多人卡在值不值有了答案，说到底差的就是一轮复测。评测期间不更新驱动不改配置，变量锁死。
复测时发现：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。
盲评环节里：结论与口碑冲突时，两头都重查一遍。引用别人的数据必须标来源和测试条件。
04结论的适用范围
那阵子值不值有了答案是整份报告里最硬的一条。测试有边界：版本、时间、样本量都圈死了结论的适用范围。
换个角度看：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。
当时随手存的原始输出，后来成了唯一的证据。客服响应也算进总分，售后是产品的一部分。
补充一组数据：深夜批处理和白天交互，测出来的延迟是两回事。报告末尾留一行勘误记录，错了就补。
补充一组数据：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。
05成绩摆出来
有个细节：对照官方榜单核对的时候测，成绩稳定得多。失败的用例也放在这里，删掉它们就是造假。
追问下去：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。
盲评环节里：引用别人的数据必须标来源和测试条件。评测工具本身也要校准，尺子歪了全盘皆输。
复测时发现：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。
06与对手对比
同题同参对决，胜负一目了然。
换个角度看：高峰期单独加测一轮，闲时成绩不算数。结论压三天再发，是给自己留推翻的余地。
口径统一后：那一个月只加了一个习惯：先亮方法再亮结论。给每篇评测定一个复核日期，到期强制回看。
追问下去：现在回看，样本太少不足为凭几乎是必然的。评测工具本身也要校准，尺子歪了全盘皆输。
当时手头只有评分表，照样把整轮测试跑完了。价格按测试当天折算，注明汇率与活动。
- 冻结题库 一半自编防套题
- 高峰加测 闲时成绩不算数
- 折算单价 按真实用量
- 压三天 给自己留推翻余地
07后续计划
季度复评已排上日程，同一组题再跑一遍。
具体说评测表格的格子间那一轮：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。
盲评环节里：让没用过的人参与盲评，老手会被经验污染。分数保留一位小数就够了，假精度没有意义。
口径统一后：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。
实测中意外的是：评测报告里最值钱的是失败记录。评测报告里最值钱的是失败记录。先拿免费档试一周，再回来对答案。
- 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先给结论
答案不绕弯，证据在后面逐条摆。
实测中意外的是：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。
追问下去：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。
值得单独说明：这事没捷径，只有不跳步。盲评时把品牌信息全部去掉，编号打乱。
对照记录看：把评分表固定放在评测表格的格子间，测试条件再没乱过。以「你每天重复最多的任务」为第一测试项。数据都在附录，不信就来复现。
下个版本出来，这篇会被重新核对一遍。
有新版本我会回来更新这篇报告。
常被问到的
- 评测多久更新一次合理？
- 模型迭代按季度看，评测按季度复测。每月更新的多是榜单搬运，自己沉淀一套固定题集更值钱。
- 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。