同一句话，Gemini 3.1 Pro赶工实测社区口碑收集和对手各答一遍

删掉了形容词，留下的都是核对过的数字。

赶时间的话，先看结论，再看适合谁。

01和同行摆一起

这事没捷径，只有不跳步。总分接近时，看分项：你的主力场景赢的才算赢。

那阵子盲测猜中了谁是谁是整份报告里最硬的一条。别用厂商给的演示样例，那是考过的题。

两台并排的显示器前的测试做完之后，整份报告都顺了。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。分数变化百分之五以内，视为人手误差。

• 结论压了三天才发
• 高峰闲时分开计时
• 盲评去掉了品牌信息
• 题库一半来自真实任务

02注意事项

这事没捷径，只有不跳步。价格和权益变动快，下单前以官方页面为准。

盲评环节里：第一周最大的发现，是高峰期和闲时能差出一倍。连续测七天，稳定性自己会现形。

值得单独说明：长期订阅前，先看它最近两季的更新日志。每组测试至少三遍，取中位数，抖动大就重测。

口径统一后：对比对象选同档热门，别拿小厂刷战绩。官方榜单只当索引，不当证据。

先说反例：现在回看，样本太少不足为凭几乎是必然的。评测工具本身也要校准，尺子歪了全盘皆输。先拿免费档试一周，再回来对答案。

03实测证据

失败的用例也放在这里，删掉它们就是造假。

盲评环节里：官方榜单只当索引，不当证据。测速脚本开源出来，接受同样的审视。

复测时发现：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。

值得单独说明：连续测七天，稳定性自己会现形。价格按测试当天折算，注明汇率与活动。

盲评环节里：客服响应也算进总分，售后是产品的一部分。方法有缺陷就写进「已知局限」，别装没有。

04缺点不藏

多花了一杯咖啡的时间核对来源，省下了一次翻车。先把丑话说完，剩下的才好意思夸。

值得单独说明：试过更花哨的评测框架，最后退回一张表格。测试环境写进附录，是可复现的最低要求。

那一个月只加了一个习惯：先亮方法再亮结论。官方榜单只当索引，不当证据。

把样本拉大后：把数据看板固定放在两台并排的显示器前，测试条件再没乱过。每组测试至少三遍，取中位数，抖动大就重测。这篇先到这，有新版本随时回来改。

05先亮方法

第一周最大的发现，是高峰期和闲时能差出一倍。同一组题、同一台机器、同一套提示词，变量只剩模型。

复测时发现：多花了一杯咖啡的时间核对来源，省下了一次翻车。把反对意见原样贴出来，比一致好评有用。

复测时发现：这事没捷径，只有不跳步。让没用过的人参与盲评，老手会被经验污染。

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。

两台并排的显示器前的测试做完之后，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。

06适合谁

当时手头只有数据看板，照样把整轮测试跑完了。三类人适合，两类人别碰，对号入座。

把样本拉大后：现在回看，样本太少不足为凭几乎是必然的。连续测七天，稳定性自己会现形。

复测时发现：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。价格按测试当天折算，注明汇率与活动。

复测时发现：那一个月只加了一个习惯：先亮方法再亮结论。评测期间不更新驱动不改配置，变量锁死。

当时随手存的原始输出，后来成了唯一的证据。响应速度单独测，别和正确率混在一个分里。先拿免费档试一周，再回来对答案。

07直接说答案

结论放在最前，是不想浪费你的时间。

补充一组数据：没什么诀窍，就是每个数字都留了原始记录。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

换个角度看：现在回看，样本太少不足为凭几乎是必然的。给每篇评测定一个复核日期，到期强制回看。

第一周最大的发现，是高峰期和闲时能差出一倍。给每个数字标上时间戳，三个月后还能对账。先拿免费档试一周，再回来对答案。

08复评预告

那阵子盲测猜中了谁是谁是整份报告里最硬的一条。评测是长跑，这篇只是其中一个刻度。

现在回看，样本太少不足为凭几乎是必然的。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

对照记录看：有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。结论压三天再发，是给自己留推翻的余地。

先说反例：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。价格按测试当天折算，注明汇率与活动。

先说反例：没什么诀窍，就是每个数字都留了原始记录。把对手的优点也写出来，报告才立得住。先拿免费档试一周，再回来对答案。

写到这里。Gemini 3.1 Pro赶工实测社区口碑收集的判定给完了，复测季度见。

这篇按勘误记录持续修订。

彭抚琴

语音算法工程师，听得出模型差几个百分点。报告以方法与数据收尾，欢迎复测。

这位评测人的其他实测 →