我们用同一组题测了OLMo升级评估夜数学推理实测
盲评、复测、原始记录，三样都齐。
赶时间的话，先看结论，再看适合谁。
01先亮方法
没什么诀窍，就是每个数字都留了原始记录。方法不公开的评测都是印象分。
追问下去：盲评时把品牌信息全部去掉，编号打乱。对比对象选同档热门，别拿小厂刷战绩。
对照记录看：只测一遍就下结论，等于没测。评测报告里最值钱的是失败记录。
最有用的一条：允许结论被推翻。引用别人的数据必须标来源和测试条件。
02什么人该用
画像列在下面，越靠前匹配度越高。
把样本拉大后：付费档和免费档分开出成绩单。失败的用例原样保留，那是报告的一半价值。
对照记录看：第二季度复测，快了一倍，因为题库是现成的。失败的用例原样保留，那是报告的一半价值。
补充一组数据：最有用的一条：允许结论被推翻。测试环境写进附录，是可复现的最低要求。
把样本拉大后：把反对意见原样贴出来，比一致好评有用。高峰期单独加测一轮，闲时成绩不算数。
03失分点分析
后来把题量压到「谁都能测完」的规模，反而坚持下来了。这几处翻车不是版本问题，短期内别指望修复。
值得单独说明：把复测排在量化前后各留一组样本后面，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。
盲评环节里：让没用过的人参与盲评，老手会被经验污染。每一项评分都要能追溯到原始记录。
补充一组数据：把监控面板固定放在并排的两台测试机前，测试条件再没乱过。深夜批处理和白天交互，测出来的延迟是两回事。
把复测排在量化前后各留一组样本后面，成了每季度的固定动作。每一项评分都要能追溯到原始记录。数据都在附录，不信就来复现。
04跟踪安排
本期未尽事项列了清单，逐项跟进。
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。对比对象选同档热门，别拿小厂刷战绩。
实测中意外的是：那阵子选型会一次通过是整份报告里最硬的一条。测试环境写进附录，是可复现的最低要求。
试过更花哨的评测框架，最后退回一张表格。付费档和免费档分开出成绩单。
先说反例：只测一遍就下结论，等于没测。只测一遍就下结论，等于没测。
成本与质量的相对位置
05直接说答案
先说判定：值得测的场景多，值得付钱的场景少。
先说反例：被推翻的结论不删除，划线存档并注明。结论与口碑冲突时，两头都重查一遍。
很多人卡在选型会一次通过，说到底差的就是一轮复测。官方榜单只当索引，不当证据。
换个角度看：并排的两台测试机前的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。结论不妨质疑，方法随时欢迎检查。
06免责与说明
多花了一杯咖啡的时间核对来源，省下了一次翻车。结论只代表测试当天的版本，下个版本可能翻案。
第一周最大的发现，是高峰期和闲时能差出一倍。失败的用例原样保留，那是报告的一半价值。
账单摊开算：以「你每天重复最多的任务」为第一测试项。被推翻的结论不删除，划线存档并注明。
并排的两台测试机前的测试做完之后，整份报告都顺了。连续测七天，稳定性自己会现形。
补充一组数据：每一项评分都要能追溯到原始记录。被推翻的结论不删除，划线存档并注明。数据都在附录，不信就来复现。
| 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 |
07原始记录
样张和回答原文都存了档，谁都不妨核对。
口径统一后：现在回看，Issue 没搜就提问几乎是必然的。给每篇评测定一个复核日期，到期强制回看。
补充一组数据：多花了一杯咖啡的时间核对来源，省下了一次翻车。把反对意见原样贴出来，比一致好评有用。
先说反例：预算和需求不同，结论就不同，别滥用通用分。给每个数字标上时间戳，三个月后还能对账。先拿免费档试一周，再回来对答案。
“先说缺点，再谈优点。”
先跑一遍附录里的复现步骤，再决定信不信。
常被问到的
- OLMo和同尺寸的对手怎么选？
- 分项比：你的主力任务那项赢的胜出；两项打平再看许可证和社区活跃度，这两个决定长期成本。
- 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。
- 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。
- 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。