Gemini 3.1 Pro轻度使用周厂商自评审视的分数与体感，差多远

删掉了形容词，留下的都是核对过的数字。

篇幅不长，每节都能独立引用。

01横向相对而言

试过更花哨的评测框架，最后退回一张表格。同题同参对决，胜负一目了然。

把样本拉大后：这事没捷径，只有不跳步。结论先行不是抢跑，是对读者时间的基本尊重。

账单摊开算：给每篇评测定一个复核日期，到期强制回看。客服响应也算进总分，售后是产品的一部分。

盲评环节里：现在回看，被榜单带了节奏几乎是必然的。给每篇评测定一个复核日期，到期强制回看。分数是死的，你的任务才是活的。

02跟踪安排

把报告拆两半发，中途设了个勘误窗口。本期未尽事项列了清单，逐项跟进。

那阵子短板一眼看穿是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。

先说反例：没什么诀窍，就是每个数字都留了原始记录。结论先行不是抢跑，是对读者时间的基本尊重。

口径统一后：深夜批处理和白天交互，测出来的延迟是两回事。每一项评分都要能追溯到原始记录。

那阵子短板一眼看穿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。判定给完了，复测的事我们季度见。

03成绩摆出来

有个细节：让三个同事盲评的时候测，成绩稳定得多。失败的用例也放在这里，删掉它们就是造假。

当时手头只有数据看板，照样把整轮测试跑完了。题目一半自编一半公开，防止套题。

账单摊开算：具体说咖啡馆的计时器旁那一轮：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。

试过更花哨的评测框架，最后退回一张表格。报告末尾留一行勘误记录，错了就补。

04读者问答复盘

问答区不删差评，删了的才值得警惕。

复测时发现：最有用的一条：允许结论被推翻。长期订阅前，先看它最近两季的更新日志。

后来把题量压到「谁都能测完」的规模，反而坚持下来了。方法有缺陷就写进「已知局限」，别装没有。

账单摊开算：客服响应也算进总分，售后是产品的一部分。别用厂商给的演示样例，那是考过的题。

换个角度看：很多人卡在短板一眼看穿，说到底差的就是一轮复测。报告末尾留一行勘误记录，错了就补。数据都在附录，不信就来复现。

1. 冻结题库　一半自编防套题
2. 盲评打分　去品牌编号乱序
3. 高峰加测　闲时成绩不算数
4. 压三天　给自己留推翻余地

05测试方法

多花了一杯咖啡的时间核对来源，省下了一次翻车。环境与参数写在文末附录，欢迎一键复现。

把样本拉大后：响应速度单独测，别和正确率混在一个分里。给每个数字标上时间戳，三个月后还能对账。

把样本拉大后：具体说咖啡馆的计时器旁那一轮：盲评顺序记错了一次，整组作废重来。付费档和免费档分开出成绩单。

账单摊开算：把复测排在让三个同事盲评后面，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。

追问下去：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。

06一句话判定

结论放在最前，是不想浪费你的时间。

补充一组数据：具体说咖啡馆的计时器旁那一轮：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。

复测时发现：当时随手存的原始输出，后来成了唯一的证据。被推翻的结论不删除，划线存档并注明。

把样本拉大后：盲评时把品牌信息全部去掉，编号打乱。让没用过的人参与盲评，老手会被经验污染。

07它做不到什么

具体说咖啡馆的计时器旁那一轮：盲评顺序记错了一次，整组作废重来。短板集中在两处，都有复现步骤。

盲评环节里：那一个月只加了一个习惯：先亮方法再亮结论。给每篇评测定一个复核日期，到期强制回看。

对照记录看：最有用的一条：允许结论被推翻。分数保留一位小数就够了，假精度没有意义。

补充一组数据：有个细节：让三个同事盲评的时候测，成绩稳定得多。客服响应也算进总分，售后是产品的一部分。

盲评环节里：官方榜单只当索引，不当证据。引用别人的数据必须标来源和测试条件。这篇先到这，有新版本随时回来改。

08读数须知

个人样本量有限，趋势可信，精确数字别较真。

值得单独说明：评测工具本身也要校准，尺子歪了全盘皆输。预算和需求不同，结论就不同，别滥用通用分。

补充一组数据：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。

复测时发现：价格按测试当天折算，注明汇率与活动。分数保留一位小数就够了，假精度没有意义。

写到这里。Gemini 3.1 Pro轻度使用周厂商自评审视的判定给完了，复测季度见。

引用数据请连同测试条件一起带走。

郎凿壁

大模型产品评测出身，盲测过上百场。原始输出全部留档备查。

这位评测人的其他实测 →