不服来辩：Gemini 3.1 Pro赶工实测免费档适用判断的实测结论
先给判定，再给证据，缺点一条不藏。
下面这些，都是亲手测过才敢写。
01一句话判定
多花了一杯咖啡的时间核对来源，省下了一次翻车。答案不绕弯，证据在后面逐条摆。
值得单独说明：连续测七天，稳定性自己会现形。深夜批处理和白天交互，测出来的延迟是两回事。
把报告拆两半发，中途设了个勘误窗口。测试环境写进附录，是可复现的最低要求。
口径统一后：没什么诀窍，就是每个数字都留了原始记录。样张统一去水印、统一尺寸再进对比表。
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。每组测试至少三遍，取中位数，抖动大就重测。结论不妨质疑，方法随时欢迎检查。
结论与口碑冲突时，两头都重查一遍。失败的用例原样保留，那是报告的一半价值。
“先说缺点，再谈优点。”
02怎么测的
方法不公开的评测都是印象分。
当时手头只有复测记录，照样把整轮测试跑完了。深夜批处理和白天交互，测出来的延迟是两回事。
对照记录看：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。
追问下去：把复测排在让三个同事盲评后面，成了每季度的固定动作。每组测试至少三遍，取中位数，抖动大就重测。判定给完了，复测的事我们季度见。
03泼冷水环节
这几处翻车不是版本问题，短期内别指望修复。
追问下去：把对手的优点也写出来，报告才立得住。结论与口碑冲突时，两头都重查一遍。
试过更花哨的评测框架，最后退回一张表格。结论先行不是抢跑，是对读者时间的基本尊重。
换个角度看：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。先拿免费档试一周，再回来对答案。
给每个数字标上时间戳，三个月后还能对账。样张统一去水印、统一尺寸再进对比表。
| 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 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
04留一个尾巴
本期未尽事项列了清单，逐项跟进。
实测中意外的是：官方榜单只当索引，不当证据。客服响应也算进总分，售后是产品的一部分。
补充一组数据：给每篇评测定一个复核日期，到期强制回看。给每个数字标上时间戳，三个月后还能对账。
换个角度看：第二季度复测，快了一倍，因为题库是现成的。结论压三天再发，是给自己留推翻的余地。
被推翻的结论不删除，划线存档并注明。失败的用例原样保留，那是报告的一半价值。
05什么人该用
那一个月只加了一个习惯：先亮方法再亮结论。三类人适合，两类人别碰，对号入座。
先说反例：高峰期单独加测一轮，闲时成绩不算数。客服响应也算进总分，售后是产品的一部分。
先说反例：预算和需求不同，结论就不同，别滥用通用分。把对手的优点也写出来，报告才立得住。
值得单独说明：每组测试至少三遍，取中位数，抖动大就重测。把对手的优点也写出来，报告才立得住。
一轮评测的工时构成
06数据与样张
数据先摆事实：强项强多少，弱项弱多少。
补充一组数据：第一周最大的发现，是高峰期和闲时能差出一倍。只测一遍就下结论，等于没测。
把报告拆两半发，中途设了个勘误窗口。题目一半自编一半公开，防止套题。
先说反例：结论与口碑冲突时，两头都重查一遍。把「适合谁」写具体到岗位，别写「进阶用户」。
预算和需求不同，结论就不同，别滥用通用分。让没用过的人参与盲评，老手会被经验污染。
07对决结果
第二季度复测，快了一倍，因为题库是现成的。总分接近时，看分项：你的主力场景赢的才算赢。
账单摊开算：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。
把报告拆两半发，中途设了个勘误窗口。失败的用例原样保留，那是报告的一半价值。
多花了一杯咖啡的时间核对来源，省下了一次翻车。客服响应也算进总分，售后是产品的一部分。
口径统一后：以「你每天重复最多的任务」为第一测试项。盲评时把品牌信息全部去掉，编号打乱。
报告末尾留一行勘误记录，错了就补。以「你每天重复最多的任务」为第一测试项。
下个版本出来，这篇会被重新核对一遍。
有新版本我会回来更新这篇报告。
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。