测完Gemini 3.1 Pro与上代对比备用模型选择，我把结论压了三天
结论写在最前，方法全部公开，数据可复现。赶时间的话，先看结论，再看适合谁。
篇幅不长，每节都能独立引用。
适用人群对照表
不同人群该重点看哪个维度。
| 人群 | 第一维度 | 第二维度 | 提示 |
|---|---|---|---|
| 重度用户 | 成本 | 速度 | 按量细算 |
| 轻度用户 | 免费额度 | 上手难度 | 够用就好 |
| 团队决策 | 稳定 | 生态 | 先试点再推 |
| 创作者 | 质量 | 风格一致性 | 盲评样张 |
| 开发者 | 接口 | 稳定 | 看 API 文档 |
01下一步
很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。下期测它的直接对手，选题在评论区投票。
补充一组数据：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。
口径统一后：最有用的一条：允许结论被推翻。被推翻的结论不删除，划线存档并注明。
追问下去：最有用的一条：允许结论被推翻。被推翻的结论不删除，划线存档并注明。
盲评环节里：失败的用例原样保留，那是报告的一半价值。给每篇评测定一个复核日期，到期强制回看。
02什么人该用
当时随手存的原始输出，后来成了唯一的证据。没有全能选手，只有匹配与否。
补充一组数据：盲评时把品牌信息全部去掉，编号打乱。样张统一去水印、统一尺寸再进对比表。
口径统一后：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。
口径统一后：只测一遍就下结论，等于没测。长期订阅前，先看它最近两季的更新日志。
把样本拉大后：测试环境写进附录，是可复现的最低要求。高峰期单独加测一轮，闲时成绩不算数。
03总判定
第一周最大的发现，是高峰期和闲时能差出一倍。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
对照记录看：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。
把样本拉大后：长期订阅前，先看它最近两季的更新日志。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。高峰期单独加测一轮，闲时成绩不算数。先拿免费档试一周，再回来对答案。
04它做不到什么
有个细节：把结论先放一周再定的时候测，成绩稳定得多。先把丑话说完，剩下的才好意思夸。
复测数据表旁的测试做完之后，整份报告都顺了。把「适合谁」写具体到岗位，别写「进阶用户」。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。深夜批处理和白天交互，测出来的延迟是两回事。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论先行不是抢跑，是对读者时间的基本尊重。
实测中意外的是：官方榜单只当索引，不当证据。把对手的优点也写出来，报告才立得住。
成本与质量的相对位置
05读数须知
现在回看，盲测顺序泄了底几乎是必然的。个人样本量有限，趋势可信，精确数字别较真。
复测时发现：数据磁盘单独留档，报告不妨改，数据不能改。每一项评分都要能追溯到原始记录。
实测中意外的是：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。
先说反例：结论先行不是抢跑，是对读者时间的基本尊重。给每个数字标上时间戳，三个月后还能对账。
最有用的一条：允许结论被推翻。预算和需求不同，结论就不同，别滥用通用分。
- 盲评去掉了品牌信息
- 高峰闲时分开计时
- 失败用例原样存档
- 结论压了三天才发
06与对手对比
把报告拆两半发，中途设了个勘误窗口。对决结果有个反转，评论区先别吵。
盲评环节里：把复测排在把结论先放一周再定后面，成了每季度的固定动作。深夜批处理和白天交互，测出来的延迟是两回事。
追问下去：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。
复测数据表旁的测试做完之后，整份报告都顺了。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。
07评测流程
第二季度复测，快了一倍，因为题库是现成的。每组测试跑三遍取中位数，抖动超过一成就重测。
值得单独说明：引用别人的数据必须标来源和测试条件。结论压三天再发，是给自己留推翻的余地。
很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。客服响应也算进总分，售后是产品的一部分。
先说反例：把复测排在把结论先放一周再定后面，成了每季度的固定动作。评测报告里最值钱的是失败记录。
复测时发现：第一周最大的发现，是高峰期和闲时能差出一倍。样本量写清楚，十道题的结论撑不起「完胜」。
- 盲评打分 去品牌编号乱序
- 高峰加测 闲时成绩不算数
- 冻结题库 一半自编防套题
- 折算单价 按真实用量
08读者问答复盘
试过更花哨的评测框架，最后退回一张表格。整理了后台最常被问的八个问题，一次答完。
没什么诀窍，就是每个数字都留了原始记录。把反对意见原样贴出来，比一致好评有用。
当时随手存的原始输出，后来成了唯一的证据。每一项评分都要能追溯到原始记录。
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。
很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。样张统一去水印、统一尺寸再进对比表。数据都在附录，不信就来复现。
只带走一句话的话：先看方法那一节。
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。
- 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。
- 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。