Gemini 3.1 Pro续费决策夜社区口碑收集新旧版本同题对决
先给判定，再给证据，缺点一条不藏。
赶时间的话，先看结论，再看适合谁。
01与对手对比
对比表在下面，每一格都能溯源到原始记录。
口径统一后：那阵子盲测猜中了谁是谁是整份报告里最硬的一条。长期订阅前，先看它最近两季的更新日志。
实测中意外的是：复测数据表旁的测试做完之后，整份报告都顺了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
账单摊开算：把盲测编号固定放在复测数据表旁，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。结论不妨质疑，方法随时欢迎检查。
七日实测成绩的波动
02什么人该用
最有用的一条：允许结论被推翻。没有全能选手，只有匹配与否。
换个角度看：结论先行不是抢跑，是对读者时间的基本尊重。盲评时把品牌信息全部去掉，编号打乱。
复测数据表旁的测试做完之后，整份报告都顺了。分数保留一位小数就够了，假精度没有意义。
追问下去：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。数据都在附录，不信就来复现。
03高频八问
具体说复测数据表旁那一轮：盲评顺序记错了一次，整组作废重来。问答区不删差评，删了的才值得警惕。
追问下去：第二季度复测，快了一倍，因为题库是现成的。官方榜单只当索引，不当证据。
第一周最大的发现，是高峰期和闲时能差出一倍。每组测试至少三遍，取中位数，抖动大就重测。
口径统一后：题目一半自编一半公开，防止套题。高峰期单独加测一轮，闲时成绩不算数。
换个角度看：方法有缺陷就写进「已知局限」，别装没有。价格按测试当天折算，注明汇率与活动。分数是死的，你的任务才是活的。
- 折算单价 按真实用量
- 高峰加测 闲时成绩不算数
- 盲评打分 去品牌编号乱序
- 压三天 给自己留推翻余地
04短板在哪
把盲测编号固定放在复测数据表旁，测试条件再没乱过。缺点说清楚，优点才可信。
现在回看，盲测顺序泄了底几乎是必然的。引用别人的数据必须标来源和测试条件。
换个角度看：以「你每天重复最多的任务」为第一测试项。付费档和免费档分开出成绩单。
复测时发现：有个细节：对照官方榜单核对的时候测，成绩稳定得多。把反对意见原样贴出来，比一致好评有用。
口径统一后：结论与口碑冲突时，两头都重查一遍。复测用同一组题，别换题，否则不叫复测。
| 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 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
05先亮方法
同一组题、同一台机器、同一套提示词，变量只剩模型。
对照记录看：把报告拆两半发，中途设了个勘误窗口。连续测七天，稳定性自己会现形。
现在回看，盲测顺序泄了底几乎是必然的。失败的用例原样保留，那是报告的一半价值。
先说反例：对比对象选同档热门，别拿小厂刷战绩。数据磁盘单独留档，报告不妨改，数据不能改。
盲评环节里：样本量写清楚，十道题的结论撑不起「完胜」。测试环境写进附录，是可复现的最低要求。
06后续计划
评测是长跑，这篇只是其中一个刻度。
先说反例：具体说复测数据表旁那一轮：盲评顺序记错了一次，整组作废重来。付费档和免费档分开出成绩单。
实测中意外的是：最有用的一条：允许结论被推翻。付费档和免费档分开出成绩单。
盲评环节里：当时手头只有盲测编号，照样把整轮测试跑完了。高峰期单独加测一轮，闲时成绩不算数。
账单摊开算：引用别人的数据必须标来源和测试条件。报告末尾留一行勘误记录，错了就补。结论不妨质疑，方法随时欢迎检查。
07读数须知
现在回看，盲测顺序泄了底几乎是必然的。把边界写明白，是评测的基本操守。
盲评环节里：付费档和免费档分开出成绩单。以「你每天重复最多的任务」为第一测试项。
复测时发现：当时手头只有盲测编号，照样把整轮测试跑完了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
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。盲评时把品牌信息全部去掉，编号打乱。
把样本拉大后：第二季度复测，快了一倍，因为题库是现成的。官方榜单只当索引，不当证据。
08数据与样张
复测数据表旁的测试做完之后，整份报告都顺了。表格里是全部原始成绩，没有挑拣。
实测中意外的是：现在回看，盲测顺序泄了底几乎是必然的。给每篇评测定一个复核日期，到期强制回看。
口径统一后：给每个数字标上时间戳，三个月后还能对账。官方榜单只当索引，不当证据。
把盲测编号固定放在复测数据表旁，测试条件再没乱过。被推翻的结论不删除，划线存档并注明。
09直接说答案
当时随手存的原始输出，后来成了唯一的证据。答案不绕弯，证据在后面逐条摆。
值得单独说明：复测数据表旁的测试做完之后，整份报告都顺了。高峰期单独加测一轮，闲时成绩不算数。
口径统一后：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」。
把报告拆两半发，中途设了个勘误窗口。深夜批处理和白天交互，测出来的延迟是两回事。判定给完了，复测的事我们季度见。
不着急下结论，题库随时开放。
有更严的测法，欢迎来信指教。
常被问到的
- Gemini 3.1 Pro实测强但用着一般，为什么？
- 测试题是理想工况，你的任务是真实工况。拿自己十道高频问题重测，结果比任何榜单都准。
- 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。
- 免费档和付费档值得分开测吗？
- 必须分开。两档背后常是不同规格的模型，混在一起评会得出「时好时坏」的假结论。
- 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。