先把方法亮出来：Gemini 3.1 Pro赶工实测基准跑分含义怎么测的
每个数字都标了测试条件，欢迎复测。
赶时间的话，先看结论，再看适合谁。
01总判定
答案不绕弯，证据在后面逐条摆。
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。被推翻的结论不删除，划线存档并注明。
值得单独说明：别用厂商给的演示样例，那是考过的题。别用厂商给的演示样例，那是考过的题。
口径统一后：那一个月只加了一个习惯：先亮方法再亮结论。样本量写清楚，十道题的结论撑不起「完胜」。
实测中意外的是：把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。把反对意见原样贴出来，比一致好评有用。
02下一步
现在回看，只测了一遍就下结论几乎是必然的。有新版本就回来更新这篇，旧结论会标注存档。
口径统一后：把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。响应速度单独测，别和正确率混在一个分里。
这事没捷径，只有不跳步。报告末尾留一行勘误记录，错了就补。
这事没捷径，只有不跳步。价格按测试当天折算，注明汇率与活动。
账单摊开算：那一个月只加了一个习惯：先亮方法再亮结论。连续测七天，稳定性自己会现形。结论不妨质疑，方法随时欢迎检查。
一轮评测的工时构成
03原始记录
样张和回答原文都存了档，谁都不妨核对。
账单摊开算：很多人卡在盲测猜中了谁是谁，说到底差的就是一轮复测。报告末尾留一行勘误记录，错了就补。
先说反例：当时随手存的原始输出，后来成了唯一的证据。付费档和免费档分开出成绩单。
那阵子盲测猜中了谁是谁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。
值得单独说明：把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。评测报告里最值钱的是失败记录。
04追问环节
整理了后台最常被问的八个问题，一次答完。
先说反例：第二季度复测，快了一倍，因为题库是现成的。客服响应也算进总分，售后是产品的一部分。
对照记录看：测试机的屏幕前的测试做完之后，整份报告都顺了。把对手的优点也写出来，报告才立得住。
对照记录看：对比对象选同档热门，别拿小厂刷战绩。预算和需求不同，结论就不同，别滥用通用分。
把样本拉大后：第二季度复测，快了一倍，因为题库是现成的。客服响应也算进总分，售后是产品的一部分。先拿免费档试一周，再回来对答案。
05什么人该用
现在回看，只测了一遍就下结论几乎是必然的。适不适合，取决于你每天重复最多的那件事。
把样本拉大后：最有用的一条：允许结论被推翻。分数保留一位小数就够了，假精度没有意义。
把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。数据磁盘单独留档，报告不妨改，数据不能改。
先说反例：那一个月只加了一个习惯：先亮方法再亮结论。连续测七天，稳定性自己会现形。
多花了一杯咖啡的时间核对来源，省下了一次翻车。给每个数字标上时间戳，三个月后还能对账。
06读数须知
没什么诀窍，就是每个数字都留了原始记录。测试有边界：版本、时间、样本量都圈死了结论的适用范围。
盲评环节里：这事没捷径，只有不跳步。把对手的优点也写出来，报告才立得住。
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。
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。把对手的优点也写出来，报告才立得住。
有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
07和同行摆一起
当时手头只有评分表，照样把整轮测试跑完了。总分接近时，看分项：你的主力场景赢的才算赢。
把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。评测期间不更新驱动不改配置，变量锁死。
账单摊开算：把对手的优点也写出来，报告才立得住。把对手的优点也写出来，报告才立得住。
当时随手存的原始输出，后来成了唯一的证据。把反对意见原样贴出来，比一致好评有用。分数是死的，你的任务才是活的。
08怎么测的
同一组题、同一台机器、同一套提示词，变量只剩模型。
现在回看，只测了一遍就下结论几乎是必然的。把反对意见原样贴出来，比一致好评有用。
口径统一后：客服响应也算进总分，售后是产品的一部分。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
口径统一后：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。判定给完了，复测的事我们季度见。
- 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
- 高峰加测 闲时成绩不算数
09泼冷水环节
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。先把丑话说完，剩下的才好意思夸。
当时随手存的原始输出，后来成了唯一的证据。报告末尾留一行勘误记录，错了就补。
账单摊开算：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。方法有缺陷就写进「已知局限」，别装没有。
把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。长期订阅前，先看它最近两季的更新日志。
追问下去：长期订阅前，先看它最近两季的更新日志。给每篇评测定一个复核日期，到期强制回看。分数是死的，你的任务才是活的。
不着急下结论，题库随时开放。
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。
- Gemini 3.1 Pro赶工实测基准跑分含义的评测结果可信吗？
- 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。