先把方法亮出来：Gemini 3.1 Pro复测第三轮水温题与套题怎么测的
结论写在最前，方法全部公开，数据可复现。篇幅不长，每节都能独立引用。
删掉了形容词，留下的都是核对过的数字。
赶时间的话，先看结论，再看适合谁。
01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。
补充一组数据：测试机的屏幕前的测试做完之后，整份报告都顺了。高峰期单独加测一轮，闲时成绩不算数。
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。预算和需求不同，结论就不同，别滥用通用分。
把样本拉大后：引用别人的数据必须标来源和测试条件。把反对意见原样贴出来，比一致好评有用。这篇先到这，有新版本随时回来改。
02结论先行
这事没捷径，只有不跳步。先说判定：值得测的场景多，值得付钱的场景少。
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。报告末尾留一行勘误记录，错了就补。
值得单独说明：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。分数保留一位小数就够了，假精度没有意义。
很多人卡在评测报告能见人了，说到底差的就是一轮复测。对比对象选同档热门，别拿小厂刷战绩。
实测中意外的是：试过更花哨的评测框架，最后退回一张表格。分数变化百分之五以内，视为人手误差。结论不妨质疑，方法随时欢迎检查。
03得分明细
第一周最大的发现，是高峰期和闲时能差出一倍。数据先摆事实：强项强多少，弱项弱多少。
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。让没用过的人参与盲评，老手会被经验污染。
账单摊开算：把对比表格固定放在测试机的屏幕前，测试条件再没乱过。官方榜单只当索引，不当证据。
试过更花哨的评测框架，最后退回一张表格。把对手的优点也写出来，报告才立得住。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
04人群画像
没有全能选手，只有匹配与否。
第二季度复测，快了一倍，因为题库是现成的。把反对意见原样贴出来，比一致好评有用。
第二季度复测，快了一倍，因为题库是现成的。每一项评分都要能追溯到原始记录。
追问下去：结论先行不是抢跑，是对读者时间的基本尊重。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
五个评测维度的权重分布（参考）
05复评预告
具体说测试机的屏幕前那一轮：盲评顺序记错了一次，整组作废重来。下期测它的直接对手，选题在评论区投票。
先说反例：第一周最大的发现，是高峰期和闲时能差出一倍。测速脚本开源出来，接受同样的审视。
这事没捷径，只有不跳步。测速脚本开源出来，接受同样的审视。
有个细节：对照官方榜单核对的时候测，成绩稳定得多。给每篇评测定一个复核日期，到期强制回看。先拿免费档试一周，再回来对答案。
- 高峰闲时分开计时
- 盲评去掉了品牌信息
- 题库一半来自真实任务
- 结论压了三天才发
06读者问答复盘
这事没捷径，只有不跳步。问答区不删差评，删了的才值得警惕。
追问下去：长期订阅前，先看它最近两季的更新日志。评测工具本身也要校准，尺子歪了全盘皆输。
对照记录看：有个细节：对照官方榜单核对的时候测，成绩稳定得多。以「你每天重复最多的任务」为第一测试项。
追问下去：后来把题量压到「谁都能测完」的规模，反而坚持下来了。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。响应速度单独测，别和正确率混在一个分里。数据都在附录，不信就来复现。
07评测流程
那一个月只加了一个习惯：先亮方法再亮结论。同一组题、同一台机器、同一套提示词，变量只剩模型。
对照记录看：结论先行不是抢跑，是对读者时间的基本尊重。价格按测试当天折算，注明汇率与活动。
对照记录看：多花了一杯咖啡的时间核对来源，省下了一次翻车。以「你每天重复最多的任务」为第一测试项。
补充一组数据：测试机的屏幕前的测试做完之后，整份报告都顺了。高峰期单独加测一轮，闲时成绩不算数。
08和同行摆一起
对决结果有个反转，评论区先别吵。
追问下去：这事没捷径，只有不跳步。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
先说反例：给每篇评测定一个复核日期，到期强制回看。客服响应也算进总分，售后是产品的一部分。
第一周最大的发现，是高峰期和闲时能差出一倍。别用厂商给的演示样例，那是考过的题。
账单摊开算：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。先拿免费档试一周，再回来对答案。
09缺点不藏
这几处翻车不是版本问题，短期内别指望修复。
口径统一后：评测期间不更新驱动不改配置，变量锁死。官方榜单只当索引，不当证据。
追问下去：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。
复测时发现：有个细节：对照官方榜单核对的时候测，成绩稳定得多。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。
报告交了，剩下的看你的任务怎么对号。
条件不同结论不同，按你的场景改。
常被问到的
- 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。
- 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。
- 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。