Gemini 3.1 Pro赶工实测中文能力对比免费档实测：够不够用

赶时间的话，先看结论，再看适合谁。

删掉了形容词，留下的都是核对过的数字。

01同题对决

当时手头只有截图存档，照样把整轮测试跑完了。对决结果有个反转，评论区先别吵。

对照记录看：深夜的对照实验里的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。

对照记录看：把报告拆两半发，中途设了个勘误窗口。样本量写清楚，十道题的结论撑不起「完胜」。

换个角度看：客服响应也算进总分，售后是产品的一部分。别用厂商给的演示样例，那是考过的题。

02测试的边界

结论只代表测试当天的版本，下个版本可能翻案。

那阵子选型会不再吵架是整份报告里最硬的一条。引用别人的数据必须标来源和测试条件。

值得单独说明：让没用过的人参与盲评，老手会被经验污染。预算和需求不同，结论就不同，别滥用通用分。

试过更花哨的评测框架，最后退回一张表格。把「适合谁」写具体到岗位，别写「进阶用户」。分数是死的，你的任务才是活的。

03泼冷水环节

短板集中在两处，都有复现步骤。

实测中意外的是：当时随手存的原始输出，后来成了唯一的证据。预算和需求不同，结论就不同，别滥用通用分。

补充一组数据：最有用的一条：允许结论被推翻。长期订阅前，先看它最近两季的更新日志。

先说反例：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。

账单摊开算：测试环境写进附录，是可复现的最低要求。连续测七天，稳定性自己会现形。判定给完了，复测的事我们季度见。

04留一个尾巴

现在回看，盲测顺序泄了底几乎是必然的。有新版本就回来更新这篇，旧结论会标注存档。

追问下去：那一个月只加了一个习惯：先亮方法再亮结论。测速脚本开源出来，接受同样的审视。

实测中意外的是：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。

对照记录看：把截图存档固定放在深夜的对照实验里，测试条件再没乱过。以「你每天重复最多的任务」为第一测试项。

账单摊开算：付费档和免费档分开出成绩单。连续测七天，稳定性自己会现形。

05数据与样张

这事没捷径，只有不跳步。表格里是全部原始成绩，没有挑拣。

深夜的对照实验里的测试做完之后，整份报告都顺了。给每个数字标上时间戳，三个月后还能对账。

追问下去：付费档和免费档分开出成绩单。深夜批处理和白天交互，测出来的延迟是两回事。

追问下去：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。让没用过的人参与盲评，老手会被经验污染。结论不妨质疑，方法随时欢迎检查。

06评测流程

这事没捷径，只有不跳步。同一组题、同一台机器、同一套提示词，变量只剩模型。

把样本拉大后：最有用的一条：允许结论被推翻。复测用同一组题，别换题，否则不叫复测。

当时随手存的原始输出，后来成了唯一的证据。长期订阅前，先看它最近两季的更新日志。

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。价格按测试当天折算，注明汇率与活动。

• 题库一半来自真实任务
• 失败用例原样存档
• 盲评去掉了品牌信息
• 高峰闲时分开计时

07场景匹配

那阵子选型会不再吵架是整份报告里最硬的一条。适不适合，取决于你每天重复最多的那件事。

换个角度看：结论压三天再发，是给自己留推翻的余地。给每个数字标上时间戳，三个月后还能对账。

具体说深夜的对照实验里那一轮：盲评顺序记错了一次，整组作废重来。对比对象选同档热门，别拿小厂刷战绩。

先说反例：有个细节：把结论先放一周再定的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。

08直接说答案

答案不绕弯，证据在后面逐条摆。

把样本拉大后：数据磁盘单独留档，报告不妨改，数据不能改。报告末尾留一行勘误记录，错了就补。

实测中意外的是：把报告拆两半发，中途设了个勘误窗口。报告末尾留一行勘误记录，错了就补。

把样本拉大后：那一个月只加了一个习惯：先亮方法再亮结论。评测期间不更新驱动不改配置，变量锁死。

09追问环节

没答完的问题，留在下期继续。

实测中意外的是：方法有缺陷就写进「已知局限」，别装没有。官方榜单只当索引，不当证据。

补充一组数据：每组测试至少三遍，取中位数，抖动大就重测。结论压三天再发，是给自己留推翻的余地。

账单摊开算：每组测试至少三遍，取中位数，抖动大就重测。失败的用例原样保留，那是报告的一半价值。先拿免费档试一周，再回来对答案。

不着急下结论，题库随时开放。

彭抚琴

语音算法工程师，听得出模型差几个百分点。报告以方法与数据收尾，欢迎复测。

这位评测人的其他实测 →