写给犹豫的人：Gemini 3.1 Pro代码实测中基准跑分含义实测问答
同一组题目、同一套流程，测完才敢下结论。
赶时间的话，先看结论，再看适合谁。
篇幅不长，每节都能独立引用。
01与对手对比
那一个月只加了一个习惯：先亮方法再亮结论。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：那一个月只加了一个习惯：先亮方法再亮结论。连续测七天，稳定性自己会现形。
实测中意外的是：结论先行不是抢跑，是对读者时间的基本尊重。官方榜单只当索引，不当证据。
实测中意外的是：那一个月只加了一个习惯：先亮方法再亮结论。评测工具本身也要校准，尺子歪了全盘皆输。
把样本拉大后：价格按测试当天折算，注明汇率与活动。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。判定给完了，复测的事我们季度见。
02留一个尾巴
季度复评已排上日程，同一组题再跑一遍。
那阵子盲测猜中了谁是谁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。
第一周最大的发现，是高峰期和闲时能差出一倍。让没用过的人参与盲评，老手会被经验污染。
补充一组数据：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。
追问下去：失败的用例原样保留，那是报告的一半价值。价格按测试当天折算，注明汇率与活动。分数是死的，你的任务才是活的。
03测试方法
最有用的一条：允许结论被推翻。每组测试跑三遍取中位数，抖动超过一成就重测。
把测试题库固定放在两台并排的显示器前，测试条件再没乱过。对比对象选同档热门，别拿小厂刷战绩。
对照记录看：数据磁盘单独留档，报告不妨改，数据不能改。每组测试至少三遍，取中位数，抖动大就重测。
对照记录看：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。
| 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 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
04免责与说明
没什么诀窍，就是每个数字都留了原始记录。把边界写明白，是评测的基本操守。
两台并排的显示器前的测试做完之后，整份报告都顺了。测速脚本开源出来，接受同样的审视。
补充一组数据：让没用过的人参与盲评，老手会被经验污染。官方榜单只当索引，不当证据。
把报告拆两半发，中途设了个勘误窗口。让没用过的人参与盲评，老手会被经验污染。
实测中意外的是：长期订阅前，先看它最近两季的更新日志。测试环境写进附录，是可复现的最低要求。
一轮评测的工时构成
05场景匹配
没有全能选手，只有匹配与否。
账单摊开算：复测用同一组题，别换题，否则不叫复测。评测工具本身也要校准，尺子歪了全盘皆输。
第二季度复测，快了一倍，因为题库是现成的。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
值得单独说明：高峰期单独加测一轮，闲时成绩不算数。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。判定给完了，复测的事我们季度见。
06一句话判定
当时手头只有测试题库，照样把整轮测试跑完了。先说判定：值得测的场景多，值得付钱的场景少。
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。报告末尾留一行勘误记录，错了就补。
复测时发现：评测期间不更新驱动不改配置，变量锁死。把反对意见原样贴出来，比一致好评有用。
补充一组数据：当时手头只有测试题库，照样把整轮测试跑完了。盲评时把品牌信息全部去掉，编号打乱。结论不妨质疑，方法随时欢迎检查。
“失败用例，是报告的一半。”
07短板在哪
短板集中在两处，都有复现步骤。
复测时发现：每组测试至少三遍，取中位数，抖动大就重测。给每个数字标上时间戳，三个月后还能对账。
把样本拉大后：后来把题量压到「谁都能测完」的规模，反而坚持下来了。样张统一去水印、统一尺寸再进对比表。
补充一组数据：评测工具本身也要校准，尺子歪了全盘皆输。评测工具本身也要校准，尺子歪了全盘皆输。分数是死的，你的任务才是活的。
08数据与样张
最有用的一条：允许结论被推翻。样张和回答原文都存了档，谁都不妨核对。
那一个月只加了一个习惯：先亮方法再亮结论。把对手的优点也写出来，报告才立得住。
口径统一后：让没用过的人参与盲评，老手会被经验污染。测速脚本开源出来，接受同样的审视。
第二季度复测，快了一倍，因为题库是现成的。给每个数字标上时间戳，三个月后还能对账。
把样本拉大后：被推翻的结论不删除，划线存档并注明。官方榜单只当索引，不当证据。
先跑一遍附录里的复现步骤，再决定信不信。
这篇按勘误记录持续修订。
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。
- 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。