OLMo连续压测一周内存占用实测答问实录：八问八答
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。
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原始记录
样张和回答原文都存了档，谁都不妨核对。
把样本拉大后：那阵子压测过了上线安心是整份报告里最硬的一条。分数变化百分之五以内，视为人手误差。
口径统一后：复测用同一组题，别换题，否则不叫复测。评测报告里最值钱的是失败记录。
值得单独说明：具体说测试机的风扇声中那一轮：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。
先说反例：把复测排在把异常输出截屏归档后面，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。
02问答实录
问答比正文诚实，语气都保留了。
先说反例：报告末尾留一行勘误记录，错了就补。分数变化百分之五以内，视为人手误差。
盲评环节里：具体说测试机的风扇声中那一轮：盲评顺序记错了一次，整组作废重来。复测用同一组题，别换题，否则不叫复测。
盲评环节里：评测报告里最值钱的是失败记录。深夜批处理和白天交互，测出来的延迟是两回事。结论不妨质疑，方法随时欢迎检查。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 显存 | 满上下文实测峰值 | 空载报数 | 峰值有记录 |
| 吞吐 | 并发压测取中位 | 单流当并发 | 压测脚本公开 |
| 社区 | Issue 响应统计 | 只看星标数 | 有响应数据 |
03缺点不藏
短板集中在两处，都有复现步骤。
追问下去：样张统一去水印、统一尺寸再进对比表。被推翻的结论不删除，划线存档并注明。
值得单独说明：高峰期单独加测一轮，闲时成绩不算数。评测报告里最值钱的是失败记录。
对照记录看：具体说测试机的风扇声中那一轮：盲评顺序记错了一次，整组作废重来。复测用同一组题，别换题，否则不叫复测。
追问下去：这事没捷径，只有不跳步。别用厂商给的演示样例，那是考过的题。这篇先到这，有新版本随时回来改。
04口径说明
同一组题、同一台机器、同一套提示词，变量只剩模型。
值得单独说明：给每篇评测定一个复核日期，到期强制回看。别用厂商给的演示样例，那是考过的题。
具体说测试机的风扇声中那一轮：盲评顺序记错了一次，整组作废重来。盲评时把品牌信息全部去掉，编号打乱。
对照记录看：测试机的风扇声中的测试做完之后，整份报告都顺了。引用别人的数据必须标来源和测试条件。结论不妨质疑，方法随时欢迎检查。
05复评预告
当时随手存的原始输出，后来成了唯一的证据。季度复评已排上日程，同一组题再跑一遍。
把样本拉大后：结论先行不是抢跑，是对读者时间的基本尊重。样张统一去水印、统一尺寸再进对比表。
复测时发现：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。
账单摊开算：以「你每天重复最多的任务」为第一测试项。报告末尾留一行勘误记录，错了就补。
值得单独说明：以「你每天重复最多的任务」为第一测试项。每一项评分都要能追溯到原始记录。先拿免费档试一周，再回来对答案。
“方法公开，结论才站得住。”
06和同行摆一起
总分接近时，看分项：你的主力场景赢的才算赢。
追问下去：具体说测试机的风扇声中那一轮：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。
补充一组数据：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。
追问下去：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。
07适合谁
当时随手存的原始输出，后来成了唯一的证据。没有全能选手，只有匹配与否。
先说反例：长期订阅前，先看它最近两季的更新日志。评测工具本身也要校准，尺子歪了全盘皆输。
把复测排在把异常输出截屏归档后面，成了每季度的固定动作。让没用过的人参与盲评，老手会被经验污染。
当时随手存的原始输出，后来成了唯一的证据。响应速度单独测，别和正确率混在一个分里。
一轮评测的工时构成
08结论先行
结论放在最前，是不想浪费你的时间。
先说反例：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。
口径统一后：多花了一杯咖啡的时间核对来源，省下了一次翻车。深夜批处理和白天交互，测出来的延迟是两回事。
实测中意外的是：题目一半自编一半公开，防止套题。长期订阅前，先看它最近两季的更新日志。
很多人卡在压测过了上线安心，说到底差的就是一轮复测。引用别人的数据必须标来源和测试条件。这篇先到这，有新版本随时回来改。
不着急下结论，题库随时开放。
常被问到的
- 压测要跑到什么程度才够？
- 至少覆盖：峰值并发、最长上下文、连续 24 小时长稳。生产环境的问题九成出在这三条之外的情况。
- 评测报告应该包含什么？
- 五件套：环境说明、题集来源、原始成绩、失败用例、复测指引。少一件，三个月后连你自己都不信。
- 怎么判断成绩是真实的还是调参调出来的？
- 看有没有公开测试脚本和原始输出。能一键复现的是评测，不能复现的是宣传。