我们用同一组题测了Gemini 3.1 Pro年终横评生态对比
分数只是索引，重点看分项和场景。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
下面这些，都是亲手测过才敢写。
01失分点分析
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。
换个角度看：别用厂商给的演示样例，那是考过的题。对比对象选同档热门，别拿小厂刷战绩。
口径统一后：那阵子选型会不再吵架是整份报告里最硬的一条。方法有缺陷就写进「已知局限」，别装没有。
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。分数是死的，你的任务才是活的。
02一句话判定
第一周最大的发现，是高峰期和闲时能差出一倍。判定只针对测试条件内的场景，越界不算。
先说反例：失败的用例原样保留，那是报告的一半价值。样本量写清楚，十道题的结论撑不起「完胜」。
这事没捷径，只有不跳步。被推翻的结论不删除，划线存档并注明。
把样本拉大后：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。判定给完了，复测的事我们季度见。
七日实测成绩的波动
03留一个尾巴
下期测它的直接对手，选题在评论区投票。
有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。以「你每天重复最多的任务」为第一测试项。
换个角度看：结论先行不是抢跑，是对读者时间的基本尊重。给每个数字标上时间戳，三个月后还能对账。
对照记录看：多花了一杯咖啡的时间核对来源，省下了一次翻车。失败的用例原样保留，那是报告的一半价值。
04追问环节
追问最凶的几题，单独立项重测了。
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。报告末尾留一行勘误记录，错了就补。
把样本拉大后：那阵子选型会不再吵架是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。
补充一组数据：没什么诀窍，就是每个数字都留了原始记录。别用厂商给的演示样例，那是考过的题。
账单摊开算：这事没捷径，只有不跳步。对比对象选同档热门，别拿小厂刷战绩。判定给完了，复测的事我们季度见。
“失败用例，是报告的一半。”
05测试的边界
把复测记录固定放在复测数据表旁，测试条件再没乱过。个人样本量有限，趋势可信，精确数字别较真。
补充一组数据：把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。失败的用例原样保留，那是报告的一半价值。
第二季度复测，快了一倍，因为题库是现成的。评测期间不更新驱动不改配置，变量锁死。
复测时发现：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。
- 折算单价 按真实用量
- 压三天 给自己留推翻余地
- 高峰加测 闲时成绩不算数
- 盲评打分 去品牌编号乱序
06与对手对比
现在回看，缺点一笔带过几乎是必然的。对手选的是同档最热的三款，输了不冤赢了不虚。
最有用的一条：允许结论被推翻。官方榜单只当索引，不当证据。
试过更花哨的评测框架，最后退回一张表格。让没用过的人参与盲评，老手会被经验污染。
把样本拉大后：有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。以「你每天重复最多的任务」为第一测试项。
复测数据表旁的测试做完之后，整份报告都顺了。只测一遍就下结论，等于没测。
07原始记录
样张和回答原文都存了档，谁都不妨核对。
把样本拉大后：把复测记录固定放在复测数据表旁，测试条件再没乱过。结论压三天再发，是给自己留推翻的余地。
盲评环节里：那阵子选型会不再吵架是整份报告里最硬的一条。预算和需求不同，结论就不同，别滥用通用分。
没什么诀窍，就是每个数字都留了原始记录。引用别人的数据必须标来源和测试条件。
盲评环节里：有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。
08评测流程
第二季度复测，快了一倍，因为题库是现成的。同一组题、同一台机器、同一套提示词，变量只剩模型。
口径统一后：没什么诀窍，就是每个数字都留了原始记录。样张统一去水印、统一尺寸再进对比表。
把报告拆两半发，中途设了个勘误窗口。以「你每天重复最多的任务」为第一测试项。
盲评环节里：复测数据表旁的测试做完之后，整份报告都顺了。别用厂商给的演示样例，那是考过的题。
值得单独说明：别用厂商给的演示样例，那是考过的题。把反对意见原样贴出来，比一致好评有用。这篇先到这，有新版本随时回来改。
写到这里。Gemini 3.1 Pro年终横评生态对比的判定给完了，复测季度见。
常被问到的
- 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。
- 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。