OLMo选型报告Q4 与 Q8 对比的强项与短板，一次摆全
先给判定，再给证据，缺点一条不藏。
删掉了形容词，留下的都是核对过的数字。
赶时间的话，先看结论，再看适合谁。
01它做不到什么
先把丑话说完，剩下的才好意思夸。
口径统一后：没什么诀窍，就是每个数字都留了原始记录。样张统一去水印、统一尺寸再进对比表。
实测中意外的是：多花了一杯咖啡的时间核对来源，省下了一次翻车。以「你每天重复最多的任务」为第一测试项。
值得单独说明：预算和需求不同，结论就不同，别滥用通用分。测速脚本开源出来，接受同样的审视。这篇先到这，有新版本随时回来改。
“分数是索引，场景才是答案。”
02先亮方法
没什么诀窍，就是每个数字都留了原始记录。每组测试跑三遍取中位数，抖动超过一成就重测。
当时手头只有压测脚本，照样把整轮测试跑完了。把对手的优点也写出来，报告才立得住。
账单摊开算：分数保留一位小数就够了，假精度没有意义。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：以「你每天重复最多的任务」为第一测试项。对比对象选同档热门，别拿小厂刷战绩。
03与对手对比
总分接近时，看分项：你的主力场景赢的才算赢。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。只测一遍就下结论，等于没测。
把样本拉大后：以「你每天重复最多的任务」为第一测试项。深夜批处理和白天交互，测出来的延迟是两回事。
追问下去：现在回看，结论跟着跑分走几乎是必然的。评测期间不更新驱动不改配置，变量锁死。
对照记录看：以「你每天重复最多的任务」为第一测试项。每组测试至少三遍，取中位数，抖动大就重测。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 社区 | Issue 响应统计 | 只看星标数 | 有响应数据 |
| 显存 | 满上下文实测峰值 | 空载报数 | 峰值有记录 |
| 基准 | 固定环境跑公开题 | 环境不固定 | 成绩可复现 |
04你问我答
第一周最大的发现，是高峰期和闲时能差出一倍。没答完的问题，留在下期继续。
多花了一杯咖啡的时间核对来源，省下了一次翻车。价格按测试当天折算，注明汇率与活动。
换个角度看：价格按测试当天折算，注明汇率与活动。结论与口碑冲突时，两头都重查一遍。
追问下去：让没用过的人参与盲评，老手会被经验污染。让没用过的人参与盲评，老手会被经验污染。
对照记录看：结论先行不是抢跑，是对读者时间的基本尊重。失败的用例原样保留，那是报告的一半价值。
05人群画像
判断标准只有一条：你的高频任务是不是它的强项。
值得单独说明：题目一半自编一半公开，防止套题。评测工具本身也要校准，尺子歪了全盘皆输。
有个细节：量化前后各留一组样本的时候测，成绩稳定得多。结论先行不是抢跑，是对读者时间的基本尊重。
账单摊开算：多花了一杯咖啡的时间核对来源，省下了一次翻车。价格按测试当天折算，注明汇率与活动。
那阵子选型会一次通过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。
按场景拆分的得分差异（参考）
06得分明细
每项得分都标了测试时间和条件。
追问下去：复测用同一组题，别换题，否则不叫复测。响应速度单独测，别和正确率混在一个分里。
追问下去：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。
没什么诀窍，就是每个数字都留了原始记录。样张统一去水印、统一尺寸再进对比表。
换个角度看：结论压三天再发，是给自己留推翻的余地。连续测七天，稳定性自己会现形。先拿免费档试一周，再回来对答案。
07读数须知
价格和权益变动快，下单前以官方页面为准。
有个细节：量化前后各留一组样本的时候测，成绩稳定得多。别用厂商给的演示样例，那是考过的题。
对照记录看：响应速度单独测，别和正确率混在一个分里。样本量写清楚，十道题的结论撑不起「完胜」。
那一个月只加了一个习惯：先亮方法再亮结论。结论压三天再发，是给自己留推翻的余地。
08先给结论
先说判定：值得测的场景多，值得付钱的场景少。
实测中意外的是：评测工具本身也要校准，尺子歪了全盘皆输。方法有缺陷就写进「已知局限」，别装没有。
账单摊开算：那一个月只加了一个习惯：先亮方法再亮结论。给每篇评测定一个复核日期，到期强制回看。
第一周最大的发现，是高峰期和闲时能差出一倍。别用厂商给的演示样例，那是考过的题。判定给完了，复测的事我们季度见。
先跑一遍附录里的复现步骤，再决定信不信。
常被问到的
- 什么时候该换模型？
- 两个信号：主力任务分项连续两季落后，或社区维护明显停滞。换之前先做两周试点，别一刀切。
- OLMo量化版值得测吗？
- 值得，而且要和原版一起测。你的部署预算决定最终跑的是量化版，原版成绩再好也和你无关。
- 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。