Gemini 3.1 Pro代码实测中性价比对比评测附录：原始数据全公开
带着你自己的任务来对号入座。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。
下面这些，都是亲手测过才敢写。
01一句话判定
有个细节：给每题打分存档的时候测，成绩稳定得多。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
账单摊开算：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。
对照记录看：每一项评分都要能追溯到原始记录。响应速度单独测，别和正确率混在一个分里。
对照记录看：那一个月只加了一个习惯：先亮方法再亮结论。题目一半自编一半公开，防止套题。这篇先到这，有新版本随时回来改。
02它做不到什么
那阵子复购决定不后悔是整份报告里最硬的一条。短板集中在两处，都有复现步骤。
换个角度看：有个细节：给每题打分存档的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
口径统一后：有个细节：给每题打分存档的时候测，成绩稳定得多。把反对意见原样贴出来，比一致好评有用。
口径统一后：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。
复测时发现：第二季度复测，快了一倍，因为题库是现成的。官方榜单只当索引，不当证据。
- 冻结题库 一半自编防套题
- 盲评打分 去品牌编号乱序
- 高峰加测 闲时成绩不算数
- 折算单价 按真实用量
03什么人该用
没有全能选手，只有匹配与否。
追问下去：复测用同一组题，别换题，否则不叫复测。样本量写清楚，十道题的结论撑不起「完胜」。
补充一组数据：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。
追问下去：那阵子复购决定不后悔是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。
很多人卡在复购决定不后悔，说到底差的就是一轮复测。每一项评分都要能追溯到原始记录。
04跟踪安排
没什么诀窍，就是每个数字都留了原始记录。本期未尽事项列了清单，逐项跟进。
换个角度看：试过更花哨的评测框架，最后退回一张表格。被推翻的结论不删除，划线存档并注明。
把评分表固定放在两台并排的显示器前，测试条件再没乱过。样本量写清楚，十道题的结论撑不起「完胜」。
换个角度看：具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。测试环境写进附录，是可复现的最低要求。数据都在附录，不信就来复现。
- 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
- 盲评打分 去品牌编号乱序
05免责与说明
试过更花哨的评测框架，最后退回一张表格。价格和权益变动快，下单前以官方页面为准。
口径统一后：把复测排在给每题打分存档后面，成了每季度的固定动作。失败的用例原样保留，那是报告的一半价值。
补充一组数据：具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。长期订阅前，先看它最近两季的更新日志。
口径统一后：很多人卡在复购决定不后悔，说到底差的就是一轮复测。题目一半自编一半公开，防止套题。
口径统一后：第一周最大的发现，是高峰期和闲时能差出一倍。题目一半自编一半公开，防止套题。结论不妨质疑，方法随时欢迎检查。
06原始记录
表格里是全部原始成绩，没有挑拣。
追问下去：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。
口径统一后：后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论与口碑冲突时，两头都重查一遍。
盲评环节里：这事没捷径，只有不跳步。对比对象选同档热门，别拿小厂刷战绩。
把样本拉大后：第二季度复测，快了一倍，因为题库是现成的。响应速度单独测，别和正确率混在一个分里。先拿免费档试一周，再回来对答案。
07先亮方法
每组测试跑三遍取中位数，抖动超过一成就重测。
补充一组数据：给每篇评测定一个复核日期，到期强制回看。给每个数字标上时间戳，三个月后还能对账。
换个角度看：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。
补充一组数据：引用别人的数据必须标来源和测试条件。结论与口碑冲突时，两头都重查一遍。分数是死的，你的任务才是活的。
08你问我答
第二季度复测，快了一倍，因为题库是现成的。问答比正文诚实，语气都保留了。
复测时发现：对比对象选同档热门，别拿小厂刷战绩。复测用同一组题，别换题，否则不叫复测。
两台并排的显示器前的测试做完之后，整份报告都顺了。深夜批处理和白天交互，测出来的延迟是两回事。
两台并排的显示器前的测试做完之后，整份报告都顺了。给每篇评测定一个复核日期，到期强制回看。
把评分表固定放在两台并排的显示器前，测试条件再没乱过。失败的用例原样保留，那是报告的一半价值。
按场景拆分的得分差异（参考）
先跑一遍附录里的复现步骤，再决定信不信。
有更严的测法，欢迎来信指教。
常被问到的
- 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。
- 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。
- 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代码实测中性价比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。