测完Gemini 3.1 Pro复测第三轮退订原因分析，我把结论压了三天
分数只是索引，重点看分项和场景。
赶时间的话，先看结论，再看适合谁。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01测试的边界
那阵子结论有了数据撑腰是整份报告里最硬的一条。个人样本量有限，趋势可信，精确数字别较真。
换个角度看：题目一半自编一半公开，防止套题。响应速度单独测，别和正确率混在一个分里。
换个角度看：这事没捷径，只有不跳步。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
换个角度看：把复测排在记录每题的响应秒数后面，成了每季度的固定动作。客服响应也算进总分，售后是产品的一部分。
第二季度复测，快了一倍，因为题库是现成的。价格按测试当天折算，注明汇率与活动。
02同题对决
把复测排在记录每题的响应秒数后面，成了每季度的固定动作。总分接近时，看分项：你的主力场景赢的才算赢。
对照记录看：没什么诀窍，就是每个数字都留了原始记录。把对手的优点也写出来，报告才立得住。
换个角度看：把评分表固定放在咖啡馆的计时器旁，测试条件再没乱过。把反对意见原样贴出来，比一致好评有用。
换个角度看：官方榜单只当索引，不当证据。分数保留一位小数就够了，假精度没有意义。
先说反例：结论先行不是抢跑，是对读者时间的基本尊重。评测期间不更新驱动不改配置，变量锁死。分数是死的，你的任务才是活的。
成本与质量的相对位置
03高频八问
最有用的一条：允许结论被推翻。问答区不删差评，删了的才值得警惕。
当时随手存的原始输出，后来成了唯一的证据。官方榜单只当索引，不当证据。
先说反例：官方榜单只当索引，不当证据。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。盲评时把品牌信息全部去掉，编号打乱。
先说反例：那一个月只加了一个习惯：先亮方法再亮结论。只测一遍就下结论，等于没测。
04测试方法
同一组题、同一台机器、同一套提示词，变量只剩模型。
盲评环节里：把对手的优点也写出来，报告才立得住。把「适合谁」写具体到岗位，别写「进阶用户」。
有个细节：记录每题的响应秒数的时候测，成绩稳定得多。深夜批处理和白天交互，测出来的延迟是两回事。
对照记录看：有个细节：记录每题的响应秒数的时候测，成绩稳定得多。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成绩摆出来
数据先摆事实：强项强多少，弱项弱多少。
先说反例：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」。
追问下去：数据磁盘单独留档，报告不妨改，数据不能改。长期订阅前，先看它最近两季的更新日志。
账单摊开算：把报告拆两半发，中途设了个勘误窗口。只测一遍就下结论，等于没测。
第一周最大的发现，是高峰期和闲时能差出一倍。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。
| 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 |
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
06下一步
有新版本就回来更新这篇，旧结论会标注存档。
实测中意外的是：把评分表固定放在咖啡馆的计时器旁，测试条件再没乱过。每组测试至少三遍，取中位数，抖动大就重测。
实测中意外的是：没什么诀窍，就是每个数字都留了原始记录。让没用过的人参与盲评，老手会被经验污染。
复测时发现：客服响应也算进总分，售后是产品的一部分。评测报告里最值钱的是失败记录。
- 题库一半来自真实任务
- 结论压了三天才发
- 盲评去掉了品牌信息
- 高峰闲时分开计时
07先给结论
没什么诀窍，就是每个数字都留了原始记录。结论放在最前，是不想浪费你的时间。
对照记录看：评测工具本身也要校准，尺子歪了全盘皆输。给每篇评测定一个复核日期，到期强制回看。
没什么诀窍，就是每个数字都留了原始记录。响应速度单独测，别和正确率混在一个分里。
补充一组数据：只测一遍就下结论，等于没测。数据磁盘单独留档，报告不妨改，数据不能改。
08短板在哪
具体说咖啡馆的计时器旁那一轮：盲评顺序记错了一次，整组作废重来。失分的题逐条看了，原因不是能力是策略。
试过更花哨的评测框架，最后退回一张表格。题目一半自编一半公开，防止套题。
没什么诀窍，就是每个数字都留了原始记录。付费档和免费档分开出成绩单。
补充一组数据：当时随手存的原始输出，后来成了唯一的证据。分数保留一位小数就够了，假精度没有意义。
先跑一遍附录里的复现步骤，再决定信不信。
条件不同结论不同，按你的场景改。
常被问到的
- 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复测第三轮退订原因分析的评测结果可信吗？
- 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。