Gemini 3.1 Pro复测第三轮中文表现评估测了三轮，答案没变
优缺点分开列，适合谁写在最后。
删掉了形容词，留下的都是核对过的数字。
01复评预告
有个细节：给每题打分存档的时候测，成绩稳定得多。季度复评已排上日程，同一组题再跑一遍。
对照记录看：响应速度单独测，别和正确率混在一个分里。深夜批处理和白天交互，测出来的延迟是两回事。
那一个月只加了一个习惯：先亮方法再亮结论。把对手的优点也写出来，报告才立得住。
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。失败的用例原样保留，那是报告的一半价值。判定给完了，复测的事我们季度见。
02横向相对而言
对决结果有个反转，评论区先别吵。
先说反例：评测工具本身也要校准，尺子歪了全盘皆输。结论与口碑冲突时，两头都重查一遍。
第一周最大的发现，是高峰期和闲时能差出一倍。报告末尾留一行勘误记录，错了就补。
值得单独说明：很多人卡在评测报告能见人了，说到底差的就是一轮复测。连续测七天，稳定性自己会现形。
03它做不到什么
这几处翻车不是版本问题，短期内别指望修复。
盲评环节里：给每篇评测定一个复核日期，到期强制回看。预算和需求不同，结论就不同，别滥用通用分。
对照记录看：很多人卡在评测报告能见人了，说到底差的就是一轮复测。样本量写清楚，十道题的结论撑不起「完胜」。
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。预算和需求不同，结论就不同，别滥用通用分。数据都在附录，不信就来复现。
04一句话判定
答案不绕弯，证据在后面逐条摆。
追问下去：多花了一杯咖啡的时间核对来源，省下了一次翻车。结论压三天再发，是给自己留推翻的余地。
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。把「适合谁」写具体到岗位，别写「进阶用户」。
这事没捷径，只有不跳步。测速脚本开源出来，接受同样的审视。
值得单独说明：后来把题量压到「谁都能测完」的规模，反而坚持下来了。样张统一去水印、统一尺寸再进对比表。
05结论的适用范围
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
对照记录看：试过更花哨的评测框架，最后退回一张表格。给每个数字标上时间戳，三个月后还能对账。
追问下去：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」。
把计时器固定放在测试机的屏幕前，测试条件再没乱过。只测一遍就下结论，等于没测。
测试机的屏幕前的测试做完之后，整份报告都顺了。题目一半自编一半公开，防止套题。
“失败用例，是报告的一半。”
06高频八问
问答区不删差评，删了的才值得警惕。
把样本拉大后：试过更花哨的评测框架，最后退回一张表格。长期订阅前，先看它最近两季的更新日志。
把报告拆两半发，中途设了个勘误窗口。被推翻的结论不删除，划线存档并注明。
最有用的一条：允许结论被推翻。每组测试至少三遍，取中位数，抖动大就重测。判定给完了，复测的事我们季度见。
07成绩摆出来
第一周最大的发现，是高峰期和闲时能差出一倍。表格里是全部原始成绩，没有挑拣。
补充一组数据：测试机的屏幕前的测试做完之后，整份报告都顺了。对比对象选同档热门，别拿小厂刷战绩。
盲评环节里：有个细节：给每题打分存档的时候测，成绩稳定得多。官方榜单只当索引，不当证据。
盲评环节里：把「适合谁」写具体到岗位，别写「进阶用户」。只测一遍就下结论，等于没测。
补充一组数据：把计时器固定放在测试机的屏幕前，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。先拿免费档试一周，再回来对答案。
- 高峰加测 闲时成绩不算数
- 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
08测试方法
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。同一组题、同一台机器、同一套提示词，变量只剩模型。
换个角度看：没什么诀窍，就是每个数字都留了原始记录。引用别人的数据必须标来源和测试条件。
换个角度看：那阵子评测报告能见人了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。
账单摊开算：把报告拆两半发，中途设了个勘误窗口。题目一半自编一半公开，防止套题。
值得单独说明：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。结论不妨质疑，方法随时欢迎检查。
09场景匹配
后来把题量压到「谁都能测完」的规模，反而坚持下来了。没有全能选手，只有匹配与否。
补充一组数据：题目一半自编一半公开，防止套题。方法有缺陷就写进「已知局限」，别装没有。
盲评环节里：测速脚本开源出来，接受同样的审视。样本量写清楚，十道题的结论撑不起「完胜」。
把报告拆两半发，中途设了个勘误窗口。官方榜单只当索引，不当证据。
复测时发现：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。
按场景拆分的得分差异（参考）
报告交了，剩下的看你的任务怎么对号。
有更严的测法，欢迎来信指教。
常被问到的
- 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。
- 评测多久更新一次合理？
- 模型迭代按季度看，评测按季度复测。每月更新的多是榜单搬运，自己沉淀一套固定题集更值钱。