一组数据看懂Gemini 3.1 Pro复测第三轮好评可信度判断
先给判定，再给证据，缺点一条不藏。赶时间的话，先看结论，再看适合谁。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01和同行摆一起
具体说记满笔记的本子旁那一轮：盲评顺序记错了一次，整组作废重来。对决结果有个反转，评论区先别吵。
把测试题库固定放在记满笔记的本子旁，测试条件再没乱过。分数保留一位小数就够了，假精度没有意义。
盲评环节里：给每个数字标上时间戳，三个月后还能对账。数据磁盘单独留档，报告不妨改，数据不能改。
多花了一杯咖啡的时间核对来源，省下了一次翻车。测速脚本开源出来，接受同样的审视。结论不妨质疑，方法随时欢迎检查。
02场景匹配
画像列在下面，越靠前匹配度越高。
追问下去：这事没捷径，只有不跳步。样张统一去水印、统一尺寸再进对比表。
先说反例：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。
口径统一后：最有用的一条：允许结论被推翻。数据磁盘单独留档，报告不妨改，数据不能改。
很多人卡在结论有了数据撑腰，说到底差的就是一轮复测。评测期间不更新驱动不改配置，变量锁死。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 |
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 复测 | 同题库下季度再跑 | 换题重测 | 新旧可对照 |
03结论的适用范围
多花了一杯咖啡的时间核对来源，省下了一次翻车。个人样本量有限，趋势可信，精确数字别较真。
多花了一杯咖啡的时间核对来源，省下了一次翻车。每一项评分都要能追溯到原始记录。
口径统一后：现在回看，评测完就吃灰几乎是必然的。题目一半自编一半公开，防止套题。
实测中意外的是：有个细节：给每题打分存档的时候测，成绩稳定得多。每组测试至少三遍，取中位数，抖动大就重测。
把样本拉大后：官方榜单只当索引，不当证据。官方榜单只当索引，不当证据。判定给完了，复测的事我们季度见。
一轮评测的工时构成
04失分点分析
有个细节：给每题打分存档的时候测，成绩稳定得多。短板集中在两处，都有复现步骤。
口径统一后：给每篇评测定一个复核日期，到期强制回看。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
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。
先说反例：连续测七天，稳定性自己会现形。结论与口碑冲突时，两头都重查一遍。
05评测流程
第一周最大的发现，是高峰期和闲时能差出一倍。同一组题、同一台机器、同一套提示词，变量只剩模型。
盲评环节里：这事没捷径，只有不跳步。高峰期单独加测一轮，闲时成绩不算数。
值得单独说明：把反对意见原样贴出来，比一致好评有用。报告末尾留一行勘误记录，错了就补。
换个角度看：测速脚本开源出来，接受同样的审视。每一项评分都要能追溯到原始记录。这篇先到这，有新版本随时回来改。
- 盲评打分 去品牌编号乱序
- 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
06总判定
把测试题库固定放在记满笔记的本子旁，测试条件再没乱过。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
具体说记满笔记的本子旁那一轮：盲评顺序记错了一次，整组作废重来。每一项评分都要能追溯到原始记录。
实测中意外的是：第一周最大的发现，是高峰期和闲时能差出一倍。评测期间不更新驱动不改配置，变量锁死。
先说反例：那一个月只加了一个习惯：先亮方法再亮结论。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。
07下一步
本期未尽事项列了清单，逐项跟进。
盲评环节里：这事没捷径，只有不跳步。结论与口碑冲突时，两头都重查一遍。
这事没捷径，只有不跳步。评测工具本身也要校准，尺子歪了全盘皆输。
换个角度看：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。
换个角度看：付费档和免费档分开出成绩单。预算和需求不同，结论就不同，别滥用通用分。
写到这里。Gemini 3.1 Pro复测第三轮好评可信度判断的判定给完了，复测季度见。
有更严的测法，欢迎来信指教。
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。
- Gemini 3.1 Pro复测第三轮好评可信度判断的评测结果可信吗？
- 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。