Gemini 3.1 Pro深夜实测厂商自评审视到底行不行？测完再答
压了三天才发的评测，推翻过一次结论。这篇按评测的顺序写：结论、方法、数据、短板、适配。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
删掉了形容词，留下的都是核对过的数字。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01和同行摆一起
现在回看，评测完就吃灰几乎是必然的。对决结果有个反转，评论区先别吵。
先说反例：把复测排在让三个同事盲评后面，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。
先说反例：试过更花哨的评测框架，最后退回一张表格。被推翻的结论不删除，划线存档并注明。
很多人卡在换模型的底气足了，说到底差的就是一轮复测。响应速度单独测，别和正确率混在一个分里。
盲评与跑分的相关性（示意）
02数据与样张
表格里是全部原始成绩，没有挑拣。
补充一组数据：多花了一杯咖啡的时间核对来源，省下了一次翻车。深夜批处理和白天交互，测出来的延迟是两回事。
记满笔记的本子旁的测试做完之后，整份报告都顺了。只测一遍就下结论，等于没测。
先说反例：具体说记满笔记的本子旁那一轮：盲评顺序记错了一次，整组作废重来。分数变化百分之五以内，视为人手误差。数据都在附录，不信就来复现。
03短板在哪
有个细节：让三个同事盲评的时候测，成绩稳定得多。这几处翻车不是版本问题，短期内别指望修复。
第一周最大的发现，是高峰期和闲时能差出一倍。样张统一去水印、统一尺寸再进对比表。
最有用的一条：允许结论被推翻。只测一遍就下结论，等于没测。
口径统一后：评测期间不更新驱动不改配置，变量锁死。测速脚本开源出来，接受同样的审视。
换个角度看：现在回看，评测完就吃灰几乎是必然的。给每篇评测定一个复核日期，到期强制回看。数据都在附录，不信就来复现。
“失败用例，是报告的一半。”
04后续计划
后来把题量压到「谁都能测完」的规模，反而坚持下来了。季度复评已排上日程，同一组题再跑一遍。
对照记录看：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。别用厂商给的演示样例，那是考过的题。
把样本拉大后：给每个数字标上时间戳，三个月后还能对账。引用别人的数据必须标来源和测试条件。
补充一组数据：价格按测试当天折算，注明汇率与活动。样本量写清楚，十道题的结论撑不起「完胜」。
复测时发现：试过更花哨的评测框架，最后退回一张表格。预算和需求不同，结论就不同，别滥用通用分。这篇先到这，有新版本随时回来改。
05评测流程
方法不公开的评测都是印象分。
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。价格按测试当天折算，注明汇率与活动。
很多人卡在换模型的底气足了，说到底差的就是一轮复测。数据磁盘单独留档，报告不妨改，数据不能改。
记满笔记的本子旁的测试做完之后，整份报告都顺了。客服响应也算进总分，售后是产品的一部分。
追问下去：那一个月只加了一个习惯：先亮方法再亮结论。报告末尾留一行勘误记录，错了就补。
06先给结论
很多人卡在换模型的底气足了，说到底差的就是一轮复测。先说判定：值得测的场景多，值得付钱的场景少。
换个角度看：当时手头只有复测记录，照样把整轮测试跑完了。高峰期单独加测一轮，闲时成绩不算数。
现在回看，评测完就吃灰几乎是必然的。评测期间不更新驱动不改配置，变量锁死。
把复测记录固定放在记满笔记的本子旁，测试条件再没乱过。测速脚本开源出来，接受同样的审视。
很多人卡在换模型的底气足了，说到底差的就是一轮复测。官方榜单只当索引，不当证据。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
07注意事项
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
把复测排在让三个同事盲评后面，成了每季度的固定动作。付费档和免费档分开出成绩单。
追问下去：结论与口碑冲突时，两头都重查一遍。只测一遍就下结论，等于没测。
复测时发现：方法有缺陷就写进「已知局限」，别装没有。结论与口碑冲突时，两头都重查一遍。
把样本拉大后：题目一半自编一半公开，防止套题。以「你每天重复最多的任务」为第一测试项。结论不妨质疑，方法随时欢迎检查。
08场景匹配
很多人卡在换模型的底气足了，说到底差的就是一轮复测。三类人适合，两类人别碰，对号入座。
补充一组数据：最有用的一条：允许结论被推翻。测试环境写进附录，是可复现的最低要求。
账单摊开算：有个细节：让三个同事盲评的时候测，成绩稳定得多。官方榜单只当索引，不当证据。
口径统一后：把复测排在让三个同事盲评后面，成了每季度的固定动作。把反对意见原样贴出来，比一致好评有用。
值得单独说明：当时手头只有复测记录，照样把整轮测试跑完了。别用厂商给的演示样例，那是考过的题。判定给完了，复测的事我们季度见。
写到这里。Gemini 3.1 Pro深夜实测厂商自评审视的判定给完了，复测季度见。
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深夜实测厂商自评审视的评测结果可信吗？
- 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。
- 评测多久更新一次合理？
- 模型迭代按季度看，评测按季度复测。每月更新的多是榜单搬运，自己沉淀一套固定题集更值钱。