Gemini 3.1 Pro代码实测中榜单排名解读新旧版本同题对决
压了三天才发的评测，推翻过一次结论。
篇幅不长，每节都能独立引用。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01同题对决
当时随手存的原始输出，后来成了唯一的证据。同题同参对决，胜负一目了然。
对照记录看：对比对象选同档热门，别拿小厂刷战绩。样本量写清楚，十道题的结论撑不起「完胜」。
把报告拆两半发，中途设了个勘误窗口。预算和需求不同，结论就不同，别滥用通用分。
第一周最大的发现，是高峰期和闲时能差出一倍。测试环境写进附录，是可复现的最低要求。这篇先到这，有新版本随时回来改。
复测用同一组题，别换题，否则不叫复测。把「适合谁」写具体到岗位，别写「进阶用户」。
02你问我答
问答比正文诚实，语气都保留了。
实测中意外的是：引用别人的数据必须标来源和测试条件。给每个数字标上时间戳，三个月后还能对账。
复测时发现：试过更花哨的评测框架，最后退回一张表格。数据磁盘单独留档，报告不妨改，数据不能改。
实测中意外的是：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。数据都在附录，不信就来复现。
03短板在哪
那一个月只加了一个习惯：先亮方法再亮结论。这几处翻车不是版本问题，短期内别指望修复。
把盲测编号固定放在两台并排的显示器前，测试条件再没乱过。深夜批处理和白天交互，测出来的延迟是两回事。
换个角度看：最有用的一条：允许结论被推翻。分数保留一位小数就够了，假精度没有意义。
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。让没用过的人参与盲评，老手会被经验污染。
先说反例：每一项评分都要能追溯到原始记录。把对手的优点也写出来，报告才立得住。数据都在附录，不信就来复现。
把反对意见原样贴出来，比一致好评有用。被推翻的结论不删除，划线存档并注明。
04人群画像
三类人适合，两类人别碰，对号入座。
先说反例：样本量写清楚，十道题的结论撑不起「完胜」。报告末尾留一行勘误记录，错了就补。
账单摊开算：预算和需求不同，结论就不同，别滥用通用分。数据磁盘单独留档，报告不妨改，数据不能改。
值得单独说明：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。
付费档和免费档分开出成绩单。评测工具本身也要校准，尺子歪了全盘皆输。
成本与质量的相对位置
05下一步
本期未尽事项列了清单，逐项跟进。
第一周最大的发现，是高峰期和闲时能差出一倍。长期订阅前，先看它最近两季的更新日志。
盲评环节里：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。响应速度单独测，别和正确率混在一个分里。
第二季度复测，快了一倍，因为题库是现成的。引用别人的数据必须标来源和测试条件。先拿免费档试一周，再回来对答案。
- 失败用例原样存档
- 盲评去掉了品牌信息
- 高峰闲时分开计时
- 题库一半来自真实任务
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。
没什么诀窍，就是每个数字都留了原始记录。评测报告里最值钱的是失败记录。
当时手头只有盲测编号，照样把整轮测试跑完了。深夜批处理和白天交互，测出来的延迟是两回事。
先说反例：把「适合谁」写具体到岗位，别写「进阶用户」。结论压三天再发，是给自己留推翻的余地。
连续测七天，稳定性自己会现形。分数保留一位小数就够了，假精度没有意义。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
07实测证据
样张和回答原文都存了档，谁都不妨核对。
对照记录看：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。
口径统一后：现在回看，评测完就吃灰几乎是必然的。评测期间不更新驱动不改配置，变量锁死。
换个角度看：那一个月只加了一个习惯：先亮方法再亮结论。只测一遍就下结论，等于没测。
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。结论先行不是抢跑，是对读者时间的基本尊重。
价格按测试当天折算，注明汇率与活动。预算和需求不同，结论就不同，别滥用通用分。
只带走一句话的话：先看方法那一节。
这篇按勘误记录持续修订。
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。
- 怎么自己搭一套评测流程？
- 四步：编 30 道真实题、分五个维度、双人盲评打分、季度复测。工具不花一分钱，贵在坚持。