Gemini 3.1 Pro深夜实测指令遵循实测被高估了吗？数据说话
带着你自己的任务来对号入座。这篇按评测的顺序写：结论、方法、数据、短板、适配。
赶时间的话，先看结论，再看适合谁。
下面这些，都是亲手测过才敢写。
01你问我答
追问最凶的几题，单独立项重测了。
那阵子短板一眼看穿是整份报告里最硬的一条。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：把测试题库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。
追问下去：把测试题库固定放在测试机的屏幕前，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。
补充一组数据：数据磁盘单独留档，报告不妨改，数据不能改。客服响应也算进总分，售后是产品的一部分。
- 题库一半来自真实任务
- 盲评去掉了品牌信息
- 失败用例原样存档
- 高峰闲时分开计时
02数据与样张
这事没捷径，只有不跳步。样张和回答原文都存了档，谁都不妨核对。
盲评环节里：把对手的优点也写出来，报告才立得住。以「你每天重复最多的任务」为第一测试项。
没什么诀窍，就是每个数字都留了原始记录。复测用同一组题，别换题，否则不叫复测。
口径统一后：失败的用例原样保留，那是报告的一半价值。只测一遍就下结论，等于没测。
实测中意外的是：测试机的屏幕前的测试做完之后，整份报告都顺了。盲评时把品牌信息全部去掉，编号打乱。先拿免费档试一周，再回来对答案。
03横向相对而言
总分接近时，看分项：你的主力场景赢的才算赢。
盲评环节里：测速脚本开源出来，接受同样的审视。方法有缺陷就写进「已知局限」，别装没有。
盲评环节里：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。把「适合谁」写具体到岗位，别写「进阶用户」。
追问下去：价格按测试当天折算，注明汇率与活动。每一项评分都要能追溯到原始记录。
先说反例：让没用过的人参与盲评，老手会被经验污染。每组测试至少三遍，取中位数，抖动大就重测。数据都在附录，不信就来复现。
04短板在哪
失分的题逐条看了，原因不是能力是策略。
盲评环节里：方法有缺陷就写进「已知局限」，别装没有。把「适合谁」写具体到岗位，别写「进阶用户」。
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。评测报告里最值钱的是失败记录。
盲评环节里：复测用同一组题，别换题，否则不叫复测。深夜批处理和白天交互，测出来的延迟是两回事。
试过更花哨的评测框架，最后退回一张表格。给每篇评测定一个复核日期，到期强制回看。
05免责与说明
第二季度复测，快了一倍，因为题库是现成的。价格和权益变动快，下单前以官方页面为准。
复测时发现：客服响应也算进总分，售后是产品的一部分。长期订阅前，先看它最近两季的更新日志。
换个角度看：引用别人的数据必须标来源和测试条件。测试环境写进附录，是可复现的最低要求。
实测中意外的是：每一项评分都要能追溯到原始记录。每一项评分都要能追溯到原始记录。
换个角度看：失败的用例原样保留，那是报告的一半价值。复测用同一组题，别换题，否则不叫复测。判定给完了，复测的事我们季度见。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
06总判定
试过更花哨的评测框架，最后退回一张表格。判定只针对测试条件内的场景，越界不算。
有个细节：对照官方榜单核对的时候测，成绩稳定得多。给每个数字标上时间戳，三个月后还能对账。
盲评环节里：最有用的一条：允许结论被推翻。分数变化百分之五以内，视为人手误差。
盲评环节里：引用别人的数据必须标来源和测试条件。盲评时把品牌信息全部去掉，编号打乱。
把样本拉大后：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。这篇先到这，有新版本随时回来改。
07适合谁
判断标准只有一条：你的高频任务是不是它的强项。
口径统一后：价格按测试当天折算，注明汇率与活动。以「你每天重复最多的任务」为第一测试项。
对照记录看：把报告拆两半发，中途设了个勘误窗口。评测期间不更新驱动不改配置，变量锁死。
补充一组数据：预算和需求不同，结论就不同，别滥用通用分。给每个数字标上时间戳，三个月后还能对账。
账单摊开算：没什么诀窍，就是每个数字都留了原始记录。结论与口碑冲突时，两头都重查一遍。
一轮评测的工时构成
08评测流程
很多人卡在短板一眼看穿，说到底差的就是一轮复测。方法不公开的评测都是印象分。
补充一组数据：当时手头只有测试题库，照样把整轮测试跑完了。让没用过的人参与盲评，老手会被经验污染。
当时随手存的原始输出，后来成了唯一的证据。分数保留一位小数就够了，假精度没有意义。
盲评环节里：那阵子短板一眼看穿是整份报告里最硬的一条。被推翻的结论不删除，划线存档并注明。
09后续计划
下期测它的直接对手，选题在评论区投票。
复测时发现：方法有缺陷就写进「已知局限」，别装没有。客服响应也算进总分，售后是产品的一部分。
把复测排在对照官方榜单核对后面，成了每季度的固定动作。引用别人的数据必须标来源和测试条件。
实测中意外的是：后来把题量压到「谁都能测完」的规模，反而坚持下来了。对比对象选同档热门，别拿小厂刷战绩。
复测时发现：把测试题库固定放在测试机的屏幕前，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。
报告交了，剩下的看你的任务怎么对号。
常被问到的
- 怎么自己搭一套评测流程？
- 四步：编 30 道真实题、分五个维度、双人盲评打分、季度复测。工具不花一分钱，贵在坚持。
- Gemini 3.1 Pro值得为了评测里的一个优点订阅吗？
- 把那个优点换算成你的使用频率：每周都用得上就值，一个月一次就先用免费档。
- 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。
- 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。