Gemini 3.1 Pro重度使用月幻觉率对比问答合集：最常被问的八题
压了三天才发的评测，推翻过一次结论。
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测试方法
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。环境与参数写在文末附录，欢迎一键复现。
实测中意外的是：那阵子盲测猜中了谁是谁是整份报告里最硬的一条。被推翻的结论不删除，划线存档并注明。
没什么诀窍，就是每个数字都留了原始记录。官方榜单只当索引，不当证据。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。以「你每天重复最多的任务」为第一测试项。
多花了一杯咖啡的时间核对来源，省下了一次翻车。把「适合谁」写具体到岗位，别写「进阶用户」。
02实测证据
没什么诀窍，就是每个数字都留了原始记录。样张和回答原文都存了档，谁都不妨核对。
补充一组数据：每组测试至少三遍，取中位数，抖动大就重测。失败的用例原样保留，那是报告的一半价值。
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。分数变化百分之五以内，视为人手误差。
把样本拉大后：那阵子盲测猜中了谁是谁是整份报告里最硬的一条。长期订阅前，先看它最近两季的更新日志。
03下一步
多花了一杯咖啡的时间核对来源，省下了一次翻车。评测是长跑，这篇只是其中一个刻度。
追问下去：题目一半自编一半公开，防止套题。付费档和免费档分开出成绩单。
换个角度看：让没用过的人参与盲评，老手会被经验污染。让没用过的人参与盲评，老手会被经验污染。
多花了一杯咖啡的时间核对来源，省下了一次翻车。给每篇评测定一个复核日期，到期强制回看。
换个角度看：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。结论压三天再发，是给自己留推翻的余地。数据都在附录，不信就来复现。
按场景拆分的得分差异（参考）
04你问我答
整理了后台最常被问的八个问题，一次答完。
口径统一后：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。
盲评环节里：那一个月只加了一个习惯：先亮方法再亮结论。只测一遍就下结论，等于没测。
把样本拉大后：数据磁盘单独留档，报告不妨改，数据不能改。评测工具本身也要校准，尺子歪了全盘皆输。
05失分点分析
先把丑话说完，剩下的才好意思夸。
具体说评测表格的格子间那一轮：盲评顺序记错了一次，整组作废重来。预算和需求不同，结论就不同，别滥用通用分。
账单摊开算：最有用的一条：允许结论被推翻。被推翻的结论不删除，划线存档并注明。
口径统一后：测速脚本开源出来，接受同样的审视。样本量写清楚，十道题的结论撑不起「完胜」。
- 高峰加测 闲时成绩不算数
- 折算单价 按真实用量
- 冻结题库 一半自编防套题
- 压三天 给自己留推翻余地
06结论的适用范围
那一个月只加了一个习惯：先亮方法再亮结论。结论只代表测试当天的版本，下个版本可能翻案。
这事没捷径，只有不跳步。报告末尾留一行勘误记录，错了就补。
补充一组数据：现在回看，被榜单带了节奏几乎是必然的。测速脚本开源出来，接受同样的审视。
追问下去：价格按测试当天折算，注明汇率与活动。样张统一去水印、统一尺寸再进对比表。判定给完了，复测的事我们季度见。
07横向相对而言
对手选的是同档最热的三款，输了不冤赢了不虚。
那阵子盲测猜中了谁是谁是整份报告里最硬的一条。让没用过的人参与盲评，老手会被经验污染。
值得单独说明：长期订阅前，先看它最近两季的更新日志。被推翻的结论不删除，划线存档并注明。
没什么诀窍，就是每个数字都留了原始记录。官方榜单只当索引，不当证据。结论不妨质疑，方法随时欢迎检查。
“失败用例，是报告的一半。”
08什么人该用
很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。画像列在下面，越靠前匹配度越高。
很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。样张统一去水印、统一尺寸再进对比表。
把样本拉大后：价格按测试当天折算，注明汇率与活动。把对手的优点也写出来，报告才立得住。
盲评环节里：评测工具本身也要校准，尺子歪了全盘皆输。题目一半自编一半公开，防止套题。
写到这里。Gemini 3.1 Pro重度使用月幻觉率对比的判定给完了，复测季度见。
引用数据请连同测试条件一起带走。
常被问到的
- 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。