Gemini 3.1 Pro免费档横评事实问答实测测了三轮，答案没变
盲评、复测、原始记录，三样都齐。
赶时间的话，先看结论，再看适合谁。
篇幅不长，每节都能独立引用。
01数据与样张
当时随手存的原始输出，后来成了唯一的证据。数据先摆事实：强项强多少，弱项弱多少。
很多人卡在盲测猜中了谁是谁，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。
补充一组数据：当时手头只有测试题库，照样把整轮测试跑完了。引用别人的数据必须标来源和测试条件。
盲评环节里：给每个数字标上时间戳，三个月后还能对账。评测工具本身也要校准，尺子歪了全盘皆输。
02失分点分析
短板集中在两处，都有复现步骤。
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。失败的用例原样保留，那是报告的一半价值。
实测中意外的是：失败的用例原样保留，那是报告的一半价值。别用厂商给的演示样例，那是考过的题。
复测时发现：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。
追问下去：把测试题库固定放在测试机的屏幕前，测试条件再没乱过。结论压三天再发，是给自己留推翻的余地。
03对号入座
把测试题库固定放在测试机的屏幕前，测试条件再没乱过。没有全能选手，只有匹配与否。
当时手头只有测试题库，照样把整轮测试跑完了。别用厂商给的演示样例，那是考过的题。
先说反例：被推翻的结论不删除，划线存档并注明。样张统一去水印、统一尺寸再进对比表。
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。响应速度单独测，别和正确率混在一个分里。
把测试题库固定放在测试机的屏幕前，测试条件再没乱过。测速脚本开源出来，接受同样的审视。
04复评预告
有新版本就回来更新这篇，旧结论会标注存档。
最有用的一条：允许结论被推翻。失败的用例原样保留，那是报告的一半价值。
先说反例：给每个数字标上时间戳，三个月后还能对账。客服响应也算进总分，售后是产品的一部分。
先说反例：试过更花哨的评测框架，最后退回一张表格。复测用同一组题，别换题，否则不叫复测。
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。高峰期单独加测一轮，闲时成绩不算数。这篇先到这，有新版本随时回来改。
“先说缺点，再谈优点。”
05总判定
那阵子盲测猜中了谁是谁是整份报告里最硬的一条。结论放在最前，是不想浪费你的时间。
把复测排在对照官方榜单核对后面，成了每季度的固定动作。每一项评分都要能追溯到原始记录。
把测试题库固定放在测试机的屏幕前，测试条件再没乱过。结论与口碑冲突时，两头都重查一遍。
补充一组数据：第二季度复测，快了一倍，因为题库是现成的。评测报告里最值钱的是失败记录。
复测时发现：高峰期单独加测一轮，闲时成绩不算数。付费档和免费档分开出成绩单。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
| 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 |
06同题对决
对手选的是同档最热的三款，输了不冤赢了不虚。
换个角度看：把反对意见原样贴出来，比一致好评有用。被推翻的结论不删除，划线存档并注明。
这事没捷径，只有不跳步。预算和需求不同，结论就不同，别滥用通用分。
复测时发现：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：分数保留一位小数就够了，假精度没有意义。分数变化百分之五以内，视为人手误差。分数是死的，你的任务才是活的。
一轮评测的工时构成
07结论的适用范围
个人样本量有限，趋势可信，精确数字别较真。
那阵子盲测猜中了谁是谁是整份报告里最硬的一条。给每篇评测定一个复核日期，到期强制回看。
补充一组数据：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。
换个角度看：响应速度单独测，别和正确率混在一个分里。每组测试至少三遍，取中位数，抖动大就重测。
把样本拉大后：多花了一杯咖啡的时间核对来源，省下了一次翻车。每组测试至少三遍，取中位数，抖动大就重测。结论不妨质疑，方法随时欢迎检查。
08口径说明
有个细节：对照官方榜单核对的时候测，成绩稳定得多。每组测试跑三遍取中位数，抖动超过一成就重测。
值得单独说明：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。长期订阅前，先看它最近两季的更新日志。
实测中意外的是：样张统一去水印、统一尺寸再进对比表。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
最有用的一条：允许结论被推翻。价格按测试当天折算，注明汇率与活动。
最有用的一条：允许结论被推翻。测试环境写进附录，是可复现的最低要求。这篇先到这，有新版本随时回来改。
09读者问答复盘
追问最凶的几题，单独立项重测了。
补充一组数据：后来把题量压到「谁都能测完」的规模，反而坚持下来了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
值得单独说明：没什么诀窍，就是每个数字都留了原始记录。盲评时把品牌信息全部去掉，编号打乱。
把样本拉大后：给每个数字标上时间戳，三个月后还能对账。以「你每天重复最多的任务」为第一测试项。
下个版本出来，这篇会被重新核对一遍。
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免费档横评事实问答实测的评测结果可信吗？
- 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。
- 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。