关于Gemini 3.1 Pro多模态评测多模型并用策略，先说缺点
盲评、复测、原始记录，三样都齐。
赶时间的话，先看结论，再看适合谁。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01缺点不藏
失分的题逐条看了，原因不是能力是策略。
那一个月只加了一个习惯：先亮方法再亮结论。引用别人的数据必须标来源和测试条件。
第一周最大的发现，是高峰期和闲时能差出一倍。每一项评分都要能追溯到原始记录。
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。
那阵子换模型的底气足了是整份报告里最硬的一条。盲评时把品牌信息全部去掉，编号打乱。这篇先到这，有新版本随时回来改。
| 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 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
02先亮方法
有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。题目一半来自真实任务，一半来自公开基准，互相校验。
账单摊开算：当时手头只有计时器，照样把整轮测试跑完了。让没用过的人参与盲评，老手会被经验污染。
把样本拉大后：高峰期单独加测一轮，闲时成绩不算数。官方榜单只当索引，不当证据。
补充一组数据：响应速度单独测，别和正确率混在一个分里。只测一遍就下结论，等于没测。
追问下去：价格按测试当天折算，注明汇率与活动。高峰期单独加测一轮，闲时成绩不算数。
03结论先行
判定只针对测试条件内的场景，越界不算。
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。把反对意见原样贴出来，比一致好评有用。
值得单独说明：后来把题量压到「谁都能测完」的规模，反而坚持下来了。高峰期单独加测一轮，闲时成绩不算数。
很多人卡在换模型的底气足了，说到底差的就是一轮复测。客服响应也算进总分，售后是产品的一部分。
复测时发现：把反对意见原样贴出来，比一致好评有用。分数变化百分之五以内，视为人手误差。
盲评与跑分的相关性（示意）
04下一步
有新版本就回来更新这篇，旧结论会标注存档。
盲评环节里：测速脚本开源出来，接受同样的审视。盲评时把品牌信息全部去掉，编号打乱。
账单摊开算：每一项评分都要能追溯到原始记录。深夜批处理和白天交互，测出来的延迟是两回事。
这事没捷径，只有不跳步。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：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。分数变化百分之五以内，视为人手误差。
- 盲评去掉了品牌信息
- 失败用例原样存档
- 结论压了三天才发
- 高峰闲时分开计时
05注意事项
个人样本量有限，趋势可信，精确数字别较真。
换个角度看：对比对象选同档热门，别拿小厂刷战绩。测速脚本开源出来，接受同样的审视。
账单摊开算：官方榜单只当索引，不当证据。让没用过的人参与盲评，老手会被经验污染。
对照记录看：现在回看，评测完就吃灰几乎是必然的。测速脚本开源出来，接受同样的审视。
06实测证据
这事没捷径，只有不跳步。表格里是全部原始成绩，没有挑拣。
评测表格的格子间的测试做完之后，整份报告都顺了。结论先行不是抢跑，是对读者时间的基本尊重。
把计时器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。
对照记录看：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。
对照记录看：评测工具本身也要校准，尺子歪了全盘皆输。失败的用例原样保留，那是报告的一半价值。
07高频八问
多花了一杯咖啡的时间核对来源，省下了一次翻车。问答区不删差评，删了的才值得警惕。
账单摊开算：被推翻的结论不删除，划线存档并注明。评测工具本身也要校准，尺子歪了全盘皆输。
把样本拉大后：现在回看，评测完就吃灰几乎是必然的。给每篇评测定一个复核日期，到期强制回看。
口径统一后：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。
那一个月只加了一个习惯：先亮方法再亮结论。高峰期单独加测一轮，闲时成绩不算数。
08与对手对比
多花了一杯咖啡的时间核对来源，省下了一次翻车。总分接近时，看分项：你的主力场景赢的才算赢。
口径统一后：深夜批处理和白天交互，测出来的延迟是两回事。给每篇评测定一个复核日期，到期强制回看。
实测中意外的是：把计时器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。
值得单独说明：对比对象选同档热门，别拿小厂刷战绩。结论与口碑冲突时，两头都重查一遍。
把计时器固定放在评测表格的格子间，测试条件再没乱过。付费档和免费档分开出成绩单。判定给完了，复测的事我们季度见。
数据和短板都摆全了，放心引用。
有更严的测法，欢迎来信指教。
常被问到的
- 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。
- 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。