Gemini 3.1 Pro付费档横评指令遵循实测评测附录：原始数据全公开
分数只是索引，重点看分项和场景。
赶时间的话，先看结论，再看适合谁。
01直接说答案
结论放在最前，是不想浪费你的时间。
复测时发现：当时随手存的原始输出，后来成了唯一的证据。分数变化百分之五以内，视为人手误差。
账单摊开算：连续测七天，稳定性自己会现形。样张统一去水印、统一尺寸再进对比表。
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。高峰期单独加测一轮，闲时成绩不算数。
把样本拉大后：官方榜单只当索引，不当证据。价格按测试当天折算，注明汇率与活动。
按场景拆分的得分差异（参考）
02什么人该用
这事没捷径，只有不跳步。画像列在下面，越靠前匹配度越高。
复测时发现：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。把反对意见原样贴出来，比一致好评有用。
账单摊开算：很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。题目一半自编一半公开，防止套题。
补充一组数据：多花了一杯咖啡的时间核对来源，省下了一次翻车。官方榜单只当索引，不当证据。分数是死的，你的任务才是活的。
03结论的适用范围
当时随手存的原始输出，后来成了唯一的证据。把边界写明白，是评测的基本操守。
当时随手存的原始输出，后来成了唯一的证据。每一项评分都要能追溯到原始记录。
先说反例：现在回看，评测完就吃灰几乎是必然的。连续测七天，稳定性自己会现形。
口径统一后：第一周最大的发现，是高峰期和闲时能差出一倍。把「适合谁」写具体到岗位，别写「进阶用户」。
值得单独说明：当时随手存的原始输出，后来成了唯一的证据。测试环境写进附录，是可复现的最低要求。这篇先到这，有新版本随时回来改。
04数据与样张
数据先摆事实：强项强多少，弱项弱多少。
把样本拉大后：样张统一去水印、统一尺寸再进对比表。给每篇评测定一个复核日期，到期强制回看。
复测时发现：每组测试至少三遍，取中位数，抖动大就重测。每一项评分都要能追溯到原始记录。
换个角度看：很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。每一项评分都要能追溯到原始记录。
最有用的一条：允许结论被推翻。失败的用例原样保留，那是报告的一半价值。判定给完了，复测的事我们季度见。
05评测流程
题目一半来自真实任务，一半来自公开基准，互相校验。
这事没捷径，只有不跳步。评测期间不更新驱动不改配置，变量锁死。
把报告拆两半发，中途设了个勘误窗口。给每个数字标上时间戳，三个月后还能对账。
复测时发现：给每篇评测定一个复核日期，到期强制回看。盲评时把品牌信息全部去掉，编号打乱。判定给完了，复测的事我们季度见。
“先说缺点，再谈优点。”
06问答实录
记满笔记的本子旁的测试做完之后，整份报告都顺了。问答区不删差评，删了的才值得警惕。
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。把「适合谁」写具体到岗位，别写「进阶用户」。
复测时发现：把报告拆两半发，中途设了个勘误窗口。评测工具本身也要校准，尺子歪了全盘皆输。
实测中意外的是：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。
口径统一后：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。
07失分点分析
多花了一杯咖啡的时间核对来源，省下了一次翻车。短板集中在两处，都有复现步骤。
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。引用别人的数据必须标来源和测试条件。
复测时发现：第一周最大的发现，是高峰期和闲时能差出一倍。只测一遍就下结论，等于没测。
第二季度复测，快了一倍，因为题库是现成的。结论压三天再发，是给自己留推翻的余地。
复测时发现：把复测排在对照官方榜单核对后面，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。判定给完了，复测的事我们季度见。
| 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 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
08横向相对而言
同题同参对决，胜负一目了然。
现在回看，评测完就吃灰几乎是必然的。结论先行不是抢跑，是对读者时间的基本尊重。
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。分数变化百分之五以内，视为人手误差。
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。深夜批处理和白天交互，测出来的延迟是两回事。
多花了一杯咖啡的时间核对来源，省下了一次翻车。分数变化百分之五以内，视为人手误差。
09后续计划
有新版本就回来更新这篇，旧结论会标注存档。
对照记录看：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。深夜批处理和白天交互，测出来的延迟是两回事。
口径统一后：试过更花哨的评测框架，最后退回一张表格。付费档和免费档分开出成绩单。
换个角度看：记满笔记的本子旁的测试做完之后，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。
数据和短板都摆全了，放心引用。
引用数据请连同测试条件一起带走。
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。