Gemini 3.1 Pro免费档横评代码能力评估的强项与短板，一次摆全
同一组题目、同一套流程，测完才敢下结论。
下面这些，都是亲手测过才敢写。
01后续计划
本期未尽事项列了清单，逐项跟进。
账单摊开算：有个细节：对照官方榜单核对的时候测，成绩稳定得多。把反对意见原样贴出来，比一致好评有用。
复测时发现：把报告拆两半发，中途设了个勘误窗口。每一项评分都要能追溯到原始记录。
追问下去：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。判定给完了，复测的事我们季度见。
成本与质量的相对位置
02什么人该用
判断标准只有一条：你的高频任务是不是它的强项。
值得单独说明：把反对意见原样贴出来，比一致好评有用。付费档和免费档分开出成绩单。
对照记录看：第二季度复测，快了一倍，因为题库是现成的。以「你每天重复最多的任务」为第一测试项。
那一个月只加了一个习惯：先亮方法再亮结论。盲评时把品牌信息全部去掉，编号打乱。
第二季度复测，快了一倍，因为题库是现成的。评测期间不更新驱动不改配置，变量锁死。
03总判定
答案不绕弯，证据在后面逐条摆。
第一周最大的发现，是高峰期和闲时能差出一倍。官方榜单只当索引，不当证据。
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。
值得单独说明：这事没捷径，只有不跳步。盲评时把品牌信息全部去掉，编号打乱。
把样本拉大后：第一周最大的发现，是高峰期和闲时能差出一倍。题目一半自编一半公开，防止套题。
04免责与说明
这事没捷径，只有不跳步。测试有边界：版本、时间、样本量都圈死了结论的适用范围。
口径统一后：测试环境写进附录，是可复现的最低要求。失败的用例原样保留，那是报告的一半价值。
复测时发现：这事没捷径，只有不跳步。对比对象选同档热门，别拿小厂刷战绩。
对照记录看：分数变化百分之五以内，视为人手误差。每组测试至少三遍，取中位数，抖动大就重测。
补充一组数据：分数变化百分之五以内，视为人手误差。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。
05口径说明
方法不公开的评测都是印象分。
盲评环节里：响应速度单独测，别和正确率混在一个分里。让没用过的人参与盲评，老手会被经验污染。
实测中意外的是：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。评测期间不更新驱动不改配置，变量锁死。
实测中意外的是：响应速度单独测，别和正确率混在一个分里。评测工具本身也要校准，尺子歪了全盘皆输。
| 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 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
06与对手对比
同题同参对决，胜负一目了然。
实测中意外的是：那一个月只加了一个习惯：先亮方法再亮结论。样本量写清楚，十道题的结论撑不起「完胜」。
把截图存档固定放在书房的白板前，测试条件再没乱过。把「适合谁」写具体到岗位，别写「进阶用户」。
口径统一后：把反对意见原样贴出来，比一致好评有用。长期订阅前，先看它最近两季的更新日志。
07它做不到什么
后来把题量压到「谁都能测完」的规模，反而坚持下来了。先把丑话说完，剩下的才好意思夸。
把截图存档固定放在书房的白板前，测试条件再没乱过。给每个数字标上时间戳，三个月后还能对账。
复测时发现：盲评时把品牌信息全部去掉，编号打乱。把「适合谁」写具体到岗位，别写「进阶用户」。
补充一组数据：结论与口碑冲突时，两头都重查一遍。对比对象选同档热门，别拿小厂刷战绩。先拿免费档试一周，再回来对答案。
08数据与样张
每项得分都标了测试时间和条件。
具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。深夜批处理和白天交互，测出来的延迟是两回事。
盲评环节里：最有用的一条：允许结论被推翻。付费档和免费档分开出成绩单。
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。数据都在附录，不信就来复现。
09问答实录
把截图存档固定放在书房的白板前，测试条件再没乱过。问答区不删差评，删了的才值得警惕。
实测中意外的是：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。
把截图存档固定放在书房的白板前，测试条件再没乱过。方法有缺陷就写进「已知局限」，别装没有。
值得单独说明：分数保留一位小数就够了，假精度没有意义。客服响应也算进总分，售后是产品的一部分。结论不妨质疑，方法随时欢迎检查。
“分数是索引，场景才是答案。”
写到这里。Gemini 3.1 Pro免费档横评代码能力评估的判定给完了，复测季度见。
引用数据请连同测试条件一起带走。
常被问到的
- 免费档和付费档值得分开测吗？
- 必须分开。两档背后常是不同规格的模型，混在一起评会得出「时好时坏」的假结论。
- 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免费档横评代码能力评估的评测结果可信吗？
- 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。