一组数据看懂Gemini 3.1 Pro年终横评订阅价值评估
分数只是索引，重点看分项和场景。下面这些，都是亲手测过才敢写。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01与对手对比
同题同参对决，胜负一目了然。
值得单独说明：记满笔记的本子旁的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
实测中意外的是：后来把题量压到「谁都能测完」的规模，反而坚持下来了。引用别人的数据必须标来源和测试条件。
补充一组数据：官方榜单只当索引，不当证据。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
把样本拉大后：结论与口碑冲突时，两头都重查一遍。报告末尾留一行勘误记录，错了就补。先拿免费档试一周，再回来对答案。
| 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 |
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
02跟踪安排
后来把题量压到「谁都能测完」的规模，反而坚持下来了。下期测它的直接对手，选题在评论区投票。
值得单独说明：当时手头只有复测记录，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。
追问下去：那阵子选型会不再吵架是整份报告里最硬的一条。测试环境写进附录，是可复现的最低要求。
记满笔记的本子旁的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。分数是死的，你的任务才是活的。
03直接说答案
先说判定：值得测的场景多，值得付钱的场景少。
先说反例：让没用过的人参与盲评，老手会被经验污染。把「适合谁」写具体到岗位，别写「进阶用户」。
盲评环节里：结论先行不是抢跑，是对读者时间的基本尊重。被推翻的结论不删除，划线存档并注明。
很多人卡在选型会不再吵架，说到底差的就是一轮复测。连续测七天，稳定性自己会现形。
账单摊开算：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。
04评测流程
后来把题量压到「谁都能测完」的规模，反而坚持下来了。每组测试跑三遍取中位数，抖动超过一成就重测。
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。
补充一组数据：把复测记录固定放在记满笔记的本子旁，测试条件再没乱过。失败的用例原样保留，那是报告的一半价值。
盲评环节里：没什么诀窍，就是每个数字都留了原始记录。高峰期单独加测一轮，闲时成绩不算数。
先说反例：很多人卡在选型会不再吵架，说到底差的就是一轮复测。测速脚本开源出来，接受同样的审视。判定给完了，复测的事我们季度见。
05数据与样张
每项得分都标了测试时间和条件。
值得单独说明：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。
实测中意外的是：很多人卡在选型会不再吵架，说到底差的就是一轮复测。评测期间不更新驱动不改配置，变量锁死。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。题目一半自编一半公开，防止套题。
把样本拉大后：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。
06场景匹配
适不适合，取决于你每天重复最多的那件事。
把样本拉大后：把对手的优点也写出来，报告才立得住。对比对象选同档热门，别拿小厂刷战绩。
盲评环节里：最有用的一条：允许结论被推翻。给每个数字标上时间戳，三个月后还能对账。
补充一组数据：这事没捷径，只有不跳步。结论与口碑冲突时，两头都重查一遍。
补充一组数据：深夜批处理和白天交互，测出来的延迟是两回事。样本量写清楚，十道题的结论撑不起「完胜」。
07短板在哪
先把丑话说完，剩下的才好意思夸。
记满笔记的本子旁的测试做完之后，整份报告都顺了。给每个数字标上时间戳，三个月后还能对账。
当时手头只有复测记录，照样把整轮测试跑完了。方法有缺陷就写进「已知局限」，别装没有。
复测时发现：给每篇评测定一个复核日期，到期强制回看。分数保留一位小数就够了，假精度没有意义。
- 失败用例原样存档
- 高峰闲时分开计时
- 盲评去掉了品牌信息
- 结论压了三天才发
08问答实录
现在回看，缺点一笔带过几乎是必然的。问答比正文诚实，语气都保留了。
值得单独说明：具体说记满笔记的本子旁那一轮：盲评顺序记错了一次，整组作废重来。分数保留一位小数就够了，假精度没有意义。
对照记录看：评测工具本身也要校准，尺子歪了全盘皆输。被推翻的结论不删除，划线存档并注明。
实测中意外的是：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。结论不妨质疑，方法随时欢迎检查。
盲评与跑分的相关性（示意）
先跑一遍附录里的复现步骤，再决定信不信。
有更严的测法，欢迎来信指教。
常被问到的
- 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。
- 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。
- 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。
- 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。