Gemini 3.1 Pro免费档横评重度用户观察横评数据与最终判定
优缺点分开列，适合谁写在最后。
下面这些，都是亲手测过才敢写。
赶时间的话，先看结论，再看适合谁。
01留一个尾巴
具体说测试机的屏幕前那一轮：盲评顺序记错了一次，整组作废重来。有新版本就回来更新这篇，旧结论会标注存档。
实测中意外的是：高峰期单独加测一轮，闲时成绩不算数。响应速度单独测，别和正确率混在一个分里。
补充一组数据：有个细节：把两次回答并排对比的时候测，成绩稳定得多。官方榜单只当索引，不当证据。
对照记录看：官方榜单只当索引，不当证据。复测用同一组题，别换题，否则不叫复测。
02人群画像
第二季度复测，快了一倍，因为题库是现成的。没有全能选手，只有匹配与否。
对照记录看：试过更花哨的评测框架，最后退回一张表格。给每个数字标上时间戳，三个月后还能对账。
口径统一后：别用厂商给的演示样例，那是考过的题。数据磁盘单独留档，报告不妨改，数据不能改。
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。给每个数字标上时间戳，三个月后还能对账。这篇先到这，有新版本随时回来改。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
03原始记录
没什么诀窍，就是每个数字都留了原始记录。失败的用例也放在这里，删掉它们就是造假。
测试机的屏幕前的测试做完之后，整份报告都顺了。让没用过的人参与盲评，老手会被经验污染。
账单摊开算：评测工具本身也要校准，尺子歪了全盘皆输。结论先行不是抢跑，是对读者时间的基本尊重。
复测时发现：有个细节：把两次回答并排对比的时候测，成绩稳定得多。结论压三天再发，是给自己留推翻的余地。
复测时发现：第二季度复测，快了一倍，因为题库是现成的。深夜批处理和白天交互，测出来的延迟是两回事。分数是死的，你的任务才是活的。
“一轮复测，胜过十次转发。”
04追问环节
整理了后台最常被问的八个问题，一次答完。
复测时发现：预算和需求不同，结论就不同，别滥用通用分。数据磁盘单独留档，报告不妨改，数据不能改。
实测中意外的是：第二季度复测，快了一倍，因为题库是现成的。每组测试至少三遍，取中位数，抖动大就重测。
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。测速脚本开源出来，接受同样的审视。数据都在附录，不信就来复现。
05失分点分析
先把丑话说完，剩下的才好意思夸。
先说反例：现在回看，样本太少不足为凭几乎是必然的。每一项评分都要能追溯到原始记录。
有个细节：把两次回答并排对比的时候测，成绩稳定得多。把反对意见原样贴出来，比一致好评有用。
账单摊开算：后来把题量压到「谁都能测完」的规模，反而坚持下来了。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。
06总判定
测试机的屏幕前的测试做完之后，整份报告都顺了。答案不绕弯，证据在后面逐条摆。
实测中意外的是：把「适合谁」写具体到岗位，别写「进阶用户」。分数变化百分之五以内，视为人手误差。
追问下去：现在回看，样本太少不足为凭几乎是必然的。给每篇评测定一个复核日期，到期强制回看。
复测时发现：那阵子值不值有了答案是整份报告里最硬的一条。测试环境写进附录，是可复现的最低要求。数据都在附录，不信就来复现。
07和同行摆一起
对手选的是同档最热的三款，输了不冤赢了不虚。
对照记录看：结论与口碑冲突时，两头都重查一遍。分数变化百分之五以内，视为人手误差。
把样本拉大后：具体说测试机的屏幕前那一轮：盲评顺序记错了一次，整组作废重来。复测用同一组题，别换题，否则不叫复测。
补充一组数据：现在回看，样本太少不足为凭几乎是必然的。评测期间不更新驱动不改配置，变量锁死。
按场景拆分的得分差异（参考）
08读数须知
把复测排在把两次回答并排对比后面，成了每季度的固定动作。把边界写明白，是评测的基本操守。
值得单独说明：样本量写清楚，十道题的结论撑不起「完胜」。被推翻的结论不删除，划线存档并注明。
先说反例：把复测记录固定放在测试机的屏幕前，测试条件再没乱过。响应速度单独测，别和正确率混在一个分里。
现在回看，样本太少不足为凭几乎是必然的。以「你每天重复最多的任务」为第一测试项。
实测中意外的是：把复测记录固定放在测试机的屏幕前，测试条件再没乱过。评测报告里最值钱的是失败记录。
先跑一遍附录里的复现步骤，再决定信不信。
引用数据请连同测试条件一起带走。
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。
- Gemini 3.1 Pro免费档横评重度用户观察的评测结果可信吗？
- 可信度看三件事：题目是否公开、是否盲测、是否可复测。满足三条的评测才值得引用，缺一条就当参考。