一份可复现的Gemini 3.1 Pro年终横评长文本表现评估评测
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。
篇幅不长，每节都能独立引用。
01同题对决
对决结果有个反转，评论区先别吵。
复测时发现：把复测排在把缺点写进复测清单后面，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。
值得单独说明：第二季度复测，快了一倍，因为题库是现成的。把反对意见原样贴出来，比一致好评有用。
换个角度看：复测数据表旁的测试做完之后，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。
账单摊开算：具体说复测数据表旁那一轮：盲评顺序记错了一次，整组作废重来。测试环境写进附录，是可复现的最低要求。
评测工具本身也要校准，尺子歪了全盘皆输。失败的用例原样保留，那是报告的一半价值。
- 高峰闲时分开计时
- 盲评去掉了品牌信息
- 失败用例原样存档
- 题库一半来自真实任务
02口径说明
把复测记录固定放在复测数据表旁，测试条件再没乱过。每组测试跑三遍取中位数，抖动超过一成就重测。
对照记录看：分数保留一位小数就够了，假精度没有意义。引用别人的数据必须标来源和测试条件。
值得单独说明：响应速度单独测，别和正确率混在一个分里。价格按测试当天折算，注明汇率与活动。
有个细节：把缺点写进复测清单的时候测，成绩稳定得多。深夜批处理和白天交互，测出来的延迟是两回事。
03免责与说明
多花了一杯咖啡的时间核对来源，省下了一次翻车。个人样本量有限，趋势可信，精确数字别较真。
把样本拉大后：这事没捷径，只有不跳步。把对手的优点也写出来，报告才立得住。
口径统一后：多花了一杯咖啡的时间核对来源，省下了一次翻车。价格按测试当天折算，注明汇率与活动。
先说反例：没什么诀窍，就是每个数字都留了原始记录。结论与口碑冲突时，两头都重查一遍。
先说反例：复测用同一组题，别换题，否则不叫复测。测试环境写进附录，是可复现的最低要求。
五个评测维度的权重分布（参考）
04总判定
先说判定：值得测的场景多，值得付钱的场景少。
账单摊开算：很多人卡在盲测猜中了谁是谁，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。
先说反例：把复测排在把缺点写进复测清单后面，成了每季度的固定动作。评测报告里最值钱的是失败记录。
值得单独说明：方法有缺陷就写进「已知局限」，别装没有。把反对意见原样贴出来，比一致好评有用。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
05读者问答复盘
复测数据表旁的测试做完之后，整份报告都顺了。没答完的问题，留在下期继续。
试过更花哨的评测框架，最后退回一张表格。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。评测工具本身也要校准，尺子歪了全盘皆输。
有个细节：把缺点写进复测清单的时候测，成绩稳定得多。深夜批处理和白天交互，测出来的延迟是两回事。
06它做不到什么
先把丑话说完，剩下的才好意思夸。
值得单独说明：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。
把复测排在把缺点写进复测清单后面，成了每季度的固定动作。方法有缺陷就写进「已知局限」，别装没有。
先说反例：当时随手存的原始输出，后来成了唯一的证据。分数保留一位小数就够了，假精度没有意义。
具体说复测数据表旁那一轮：盲评顺序记错了一次，整组作废重来。样张统一去水印、统一尺寸再进对比表。
07得分明细
多花了一杯咖啡的时间核对来源，省下了一次翻车。失败的用例也放在这里，删掉它们就是造假。
盲评环节里：结论先行不是抢跑，是对读者时间的基本尊重。价格按测试当天折算，注明汇率与活动。
复测时发现：样本量写清楚，十道题的结论撑不起「完胜」。方法有缺陷就写进「已知局限」，别装没有。
现在回看，只测了一遍就下结论几乎是必然的。样张统一去水印、统一尺寸再进对比表。
数据和短板都摆全了，放心引用。
常被问到的
- Gemini 3.1 Pro和同类比到底强在哪？
- 别看总分，看分项：长文本、中文语感、数学、代码各自拉出来比，你的主力场景赢的那项才算数。
- 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。
- 怎么自己搭一套评测流程？
- 四步：编 30 道真实题、分五个维度、双人盲评打分、季度复测。工具不花一分钱，贵在坚持。