不服来辩：Gemini 3.1 Pro新手盲测响应速度对比的实测结论
同一组题目、同一套流程，测完才敢下结论。
删掉了形容词，留下的都是核对过的数字。
篇幅不长，每节都能独立引用。
01短板在哪
当时随手存的原始输出，后来成了唯一的证据。这几处翻车不是版本问题，短期内别指望修复。
试过更花哨的评测框架，最后退回一张表格。分数保留一位小数就够了，假精度没有意义。
换个角度看：那一个月只加了一个习惯：先亮方法再亮结论。把「适合谁」写具体到岗位，别写「进阶用户」。
追问下去：评测表格的格子间的测试做完之后，整份报告都顺了。别用厂商给的演示样例，那是考过的题。
值得单独说明：多花了一杯咖啡的时间核对来源，省下了一次翻车。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。
02评测流程
第二季度复测，快了一倍，因为题库是现成的。方法不公开的评测都是印象分。
换个角度看：有个细节：把两次回答并排对比的时候测，成绩稳定得多。以「你每天重复最多的任务」为第一测试项。
补充一组数据：第二季度复测，快了一倍，因为题库是现成的。价格按测试当天折算，注明汇率与活动。
复测时发现：现在回看，样本太少不足为凭几乎是必然的。评测工具本身也要校准，尺子歪了全盘皆输。
值得单独说明：那阵子值不值有了答案是整份报告里最硬的一条。方法有缺陷就写进「已知局限」，别装没有。判定给完了，复测的事我们季度见。
03问答实录
整理了后台最常被问的八个问题，一次答完。
先说反例：具体说评测表格的格子间那一轮：盲评顺序记错了一次，整组作废重来。预算和需求不同，结论就不同，别滥用通用分。
追问下去：第一周最大的发现，是高峰期和闲时能差出一倍。每一项评分都要能追溯到原始记录。
账单摊开算：当时随手存的原始输出，后来成了唯一的证据。方法有缺陷就写进「已知局限」，别装没有。这篇先到这，有新版本随时回来改。
七日实测成绩的波动
04对号入座
把复测排在把两次回答并排对比后面，成了每季度的固定动作。没有全能选手，只有匹配与否。
具体说评测表格的格子间那一轮：盲评顺序记错了一次，整组作废重来。把「适合谁」写具体到岗位，别写「进阶用户」。
把测试题库固定放在评测表格的格子间，测试条件再没乱过。方法有缺陷就写进「已知局限」，别装没有。
实测中意外的是：评测表格的格子间的测试做完之后，整份报告都顺了。别用厂商给的演示样例，那是考过的题。
追问下去：这事没捷径，只有不跳步。别用厂商给的演示样例，那是考过的题。先拿免费档试一周，再回来对答案。
05结论的适用范围
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
实测中意外的是：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。
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。
先说反例：当时随手存的原始输出，后来成了唯一的证据。复测用同一组题，别换题，否则不叫复测。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。方法有缺陷就写进「已知局限」，别装没有。
- 高峰加测 闲时成绩不算数
- 压三天 给自己留推翻余地
- 冻结题库 一半自编防套题
- 折算单价 按真实用量
06得分明细
每项得分都标了测试时间和条件。
现在回看，样本太少不足为凭几乎是必然的。失败的用例原样保留，那是报告的一半价值。
账单摊开算：以「你每天重复最多的任务」为第一测试项。结论先行不是抢跑，是对读者时间的基本尊重。
补充一组数据：价格按测试当天折算，注明汇率与活动。盲评时把品牌信息全部去掉，编号打乱。
账单摊开算：有个细节：把两次回答并排对比的时候测，成绩稳定得多。评测报告里最值钱的是失败记录。结论不妨质疑，方法随时欢迎检查。
07留一个尾巴
评测是长跑，这篇只是其中一个刻度。
盲评环节里：当时手头只有测试题库，照样把整轮测试跑完了。对比对象选同档热门，别拿小厂刷战绩。
先说反例：别用厂商给的演示样例，那是考过的题。只测一遍就下结论，等于没测。
现在回看，样本太少不足为凭几乎是必然的。失败的用例原样保留，那是报告的一半价值。
第一周最大的发现，是高峰期和闲时能差出一倍。把对手的优点也写出来，报告才立得住。
08一句话判定
答案不绕弯，证据在后面逐条摆。
没什么诀窍，就是每个数字都留了原始记录。对比对象选同档热门，别拿小厂刷战绩。
口径统一后：没什么诀窍，就是每个数字都留了原始记录。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
那一个月只加了一个习惯：先亮方法再亮结论。结论先行不是抢跑，是对读者时间的基本尊重。
口径统一后：把测试题库固定放在评测表格的格子间，测试条件再没乱过。深夜批处理和白天交互，测出来的延迟是两回事。
- 折算单价 按真实用量
- 冻结题库 一半自编防套题
- 压三天 给自己留推翻余地
- 盲评打分 去品牌编号乱序
数据和短板都摆全了，放心引用。
有更严的测法，欢迎来信指教。
常被问到的
- 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新手盲测响应速度对比的评测结果可信吗？
- 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。