OLMo微调前后7B 档横评的性价比拆解
结论写在最前，方法全部公开，数据可复现。
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。
01什么人该用
多花了一杯咖啡的时间核对来源，省下了一次翻车。三类人适合，两类人别碰，对号入座。
第一周最大的发现，是高峰期和闲时能差出一倍。样本量写清楚，十道题的结论撑不起「完胜」。
先说反例：把报告拆两半发，中途设了个勘误窗口。样本量写清楚，十道题的结论撑不起「完胜」。
补充一组数据：具体说评测脚本的终端旁那一轮：盲评顺序记错了一次，整组作废重来。分数变化百分之五以内，视为人手误差。
02下一步
把复测排在把结论先压三天再发后面，成了每季度的固定动作。季度复评已排上日程，同一组题再跑一遍。
实测中意外的是：让没用过的人参与盲评，老手会被经验污染。每组测试至少三遍，取中位数，抖动大就重测。
口径统一后：当时随手存的原始输出，后来成了唯一的证据。方法有缺陷就写进「已知局限」，别装没有。
把样本拉大后：付费档和免费档分开出成绩单。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。测试环境写进附录，是可复现的最低要求。先拿免费档试一周，再回来对答案。
03结论先行
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
把样本拉大后：结论压三天再发，是给自己留推翻的余地。结论先行不是抢跑，是对读者时间的基本尊重。
对照记录看：测速脚本开源出来，接受同样的审视。付费档和免费档分开出成绩单。
口径统一后：把「适合谁」写具体到岗位，别写「进阶用户」。引用别人的数据必须标来源和测试条件。
复测时发现：这事没捷径，只有不跳步。样张统一去水印、统一尺寸再进对比表。
04缺点不藏
失分的题逐条看了，原因不是能力是策略。
实测中意外的是：那阵子报告成了团队范本是整份报告里最硬的一条。预算和需求不同，结论就不同，别滥用通用分。
追问下去：付费档和免费档分开出成绩单。给每个数字标上时间戳，三个月后还能对账。
最有用的一条：允许结论被推翻。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 量化 | 与原版对照盲评 | 只跑量化版 | 损失可量化 |
| 稳定 | 连续 24 小时长跑 | 五分钟算压测 | 无泄漏记录 |
| 吞吐 | 并发压测取中位 | 单流当并发 | 压测脚本公开 |
05先亮方法
同一组题、同一台机器、同一套提示词，变量只剩模型。
实测中意外的是：当时手头只有监控面板，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。
复测时发现：测速脚本开源出来，接受同样的审视。把对手的优点也写出来，报告才立得住。
先说反例：那一个月只加了一个习惯：先亮方法再亮结论。评测工具本身也要校准，尺子歪了全盘皆输。
换个角度看：当时随手存的原始输出，后来成了唯一的证据。被推翻的结论不删除，划线存档并注明。这篇先到这，有新版本随时回来改。
按场景拆分的得分差异（参考）
06你问我答
整理了后台最常被问的八个问题，一次答完。
账单摊开算：题目一半自编一半公开，防止套题。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：给每篇评测定一个复核日期，到期强制回看。客服响应也算进总分，售后是产品的一部分。
把样本拉大后：对比对象选同档热门，别拿小厂刷战绩。官方榜单只当索引，不当证据。分数是死的，你的任务才是活的。
07与对手对比
对手选的是同档最热的三款，输了不冤赢了不虚。
盲评环节里：客服响应也算进总分，售后是产品的一部分。把「适合谁」写具体到岗位，别写「进阶用户」。
试过更花哨的评测框架，最后退回一张表格。引用别人的数据必须标来源和测试条件。
追问下去：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。
值得单独说明：把报告拆两半发，中途设了个勘误窗口。连续测七天，稳定性自己会现形。
- 长跑观测 连续二十四小时
- 对照量化 与原版同题
- 跑基准 三遍取中位
- 归档原始 输出逐条留存
不着急下结论，题库随时开放。
引用数据请连同测试条件一起带走。
常被问到的
- 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。
- 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。