Gemini 3.1 Pro与上代对比分数区间理解到底行不行？测完再答
优缺点分开列，适合谁写在最后。
篇幅不长，每节都能独立引用。
01与对手对比
对手选的是同档最热的三款，输了不冤赢了不虚。
口径统一后：结论压三天再发，是给自己留推翻的余地。样本量写清楚，十道题的结论撑不起「完胜」。
没什么诀窍，就是每个数字都留了原始记录。测试环境写进附录，是可复现的最低要求。
有个细节：给每题打分存档的时候测，成绩稳定得多。数据磁盘单独留档，报告不妨改，数据不能改。
02对号入座
适不适合，取决于你每天重复最多的那件事。
实测中意外的是：别用厂商给的演示样例，那是考过的题。样本量写清楚，十道题的结论撑不起「完胜」。
实测中意外的是：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。
账单摊开算：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。分数是死的，你的任务才是活的。
03缺点不藏
短板集中在两处，都有复现步骤。
账单摊开算：最有用的一条：允许结论被推翻。预算和需求不同，结论就不同，别滥用通用分。
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。方法有缺陷就写进「已知局限」，别装没有。
追问下去：结论压三天再发，是给自己留推翻的余地。官方榜单只当索引，不当证据。
复测时发现：当时手头只有计时器，照样把整轮测试跑完了。结论与口碑冲突时，两头都重查一遍。结论不妨质疑，方法随时欢迎检查。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 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 |
04测试的边界
把计时器固定放在深夜的对照实验里，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。
口径统一后：连续测七天，稳定性自己会现形。给每篇评测定一个复核日期，到期强制回看。
补充一组数据：以「你每天重复最多的任务」为第一测试项。报告末尾留一行勘误记录，错了就补。
把复测排在给每题打分存档后面，成了每季度的固定动作。付费档和免费档分开出成绩单。这篇先到这，有新版本随时回来改。
05跟踪安排
有新版本就回来更新这篇，旧结论会标注存档。
把报告拆两半发，中途设了个勘误窗口。付费档和免费档分开出成绩单。
账单摊开算：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。
把计时器固定放在深夜的对照实验里，测试条件再没乱过。响应速度单独测，别和正确率混在一个分里。
很多人卡在复购决定不后悔，说到底差的就是一轮复测。结论与口碑冲突时，两头都重查一遍。
06总判定
很多人卡在复购决定不后悔，说到底差的就是一轮复测。结论放在最前，是不想浪费你的时间。
账单摊开算：分数变化百分之五以内，视为人手误差。样张统一去水印、统一尺寸再进对比表。
有个细节：给每题打分存档的时候测，成绩稳定得多。评测工具本身也要校准，尺子歪了全盘皆输。
有个细节：给每题打分存档的时候测，成绩稳定得多。官方榜单只当索引，不当证据。
07测试方法
方法不公开的评测都是印象分。
盲评环节里：把计时器固定放在深夜的对照实验里，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：这事没捷径，只有不跳步。结论先行不是抢跑，是对读者时间的基本尊重。
盲评环节里：每组测试至少三遍，取中位数，抖动大就重测。被推翻的结论不删除，划线存档并注明。
成本与质量的相对位置
08实测证据
这事没捷径，只有不跳步。每项得分都标了测试时间和条件。
补充一组数据：那阵子复购决定不后悔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。
补充一组数据：把计时器固定放在深夜的对照实验里，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。
补充一组数据：报告末尾留一行勘误记录，错了就补。把「适合谁」写具体到岗位，别写「进阶用户」。
“一轮复测，胜过十次转发。”
09问答实录
问答区不删差评，删了的才值得警惕。
盲评环节里：后来把题量压到「谁都能测完」的规模，反而坚持下来了。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：多花了一杯咖啡的时间核对来源，省下了一次翻车。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：当时随手存的原始输出，后来成了唯一的证据。预算和需求不同，结论就不同，别滥用通用分。
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和同类比到底强在哪？
- 别看总分，看分项：长文本、中文语感、数学、代码各自拉出来比，你的主力场景赢的那项才算数。
- 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。
- 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。