先泼冷水再加热：OLMo多卡实测速度提升量化全评测
结论可能反常识，但每一条都有出处。
下面这些，都是亲手测过才敢写。
常见翻车点对照
评测执行中的高频错误。
| 环节 | 翻车点 | 后果 | 对策 |
|---|---|---|---|
| 选题 | 全是公开套题 | 成绩虚高 | 一半自编 |
| 环境 | 配置中途变动 | 成绩不可比 | 锁死配置 |
| 盲评 | 品牌信息泄露 | 评分偏移 | 去标识编号 |
| 统计 | 只报均值 | 掩盖抖动 | 报中位数+区间 |
| 结论 | 当天就发布 | 无法推翻 | 压三天再发 |
01复评预告
本期未尽事项列了清单，逐项跟进。
口径统一后：官方榜单只当索引，不当证据。别用厂商给的演示样例，那是考过的题。
复测时发现：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。
追问下去：有个细节：对照官方成绩核一遍的时候测，成绩稳定得多。把反对意见原样贴出来，比一致好评有用。这篇先到这，有新版本随时回来改。
02横向相对而言
把环境清单固定放在压测曲线的屏幕前，测试条件再没乱过。对手选的是同档最热的三款，输了不冤赢了不虚。
复测时发现：试过更花哨的评测框架，最后退回一张表格。分数变化百分之五以内，视为人手误差。
口径统一后：当时随手存的原始输出，后来成了唯一的证据。复测用同一组题，别换题，否则不叫复测。
值得单独说明：分数变化百分之五以内，视为人手误差。评测期间不更新驱动不改配置，变量锁死。
| 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 |
| 量化 | 与原版对照盲评 | 只跑量化版 | 损失可量化 |
03短板在哪
缺点说清楚，优点才可信。
复测时发现：把报告拆两半发，中途设了个勘误窗口。每一项评分都要能追溯到原始记录。
复测时发现：评测工具本身也要校准，尺子歪了全盘皆输。客服响应也算进总分，售后是产品的一部分。
把报告拆两半发，中途设了个勘误窗口。把对手的优点也写出来，报告才立得住。判定给完了，复测的事我们季度见。
04问答实录
有个细节：对照官方成绩核一遍的时候测，成绩稳定得多。没答完的问题，留在下期继续。
追问下去：没什么诀窍，就是每个数字都留了原始记录。别用厂商给的演示样例，那是考过的题。
口径统一后：测速脚本开源出来，接受同样的审视。被推翻的结论不删除，划线存档并注明。
值得单独说明：把复测排在对照官方成绩核一遍后面，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。
对照记录看：没什么诀窍，就是每个数字都留了原始记录。结论先行不是抢跑，是对读者时间的基本尊重。这篇先到这，有新版本随时回来改。
05测试的边界
那一个月只加了一个习惯：先亮方法再亮结论。价格和权益变动快，下单前以官方页面为准。
口径统一后：当时手头只有环境清单，照样把整轮测试跑完了。别用厂商给的演示样例，那是考过的题。
口径统一后：具体说压测曲线的屏幕前那一轮：盲评顺序记错了一次，整组作废重来。数据磁盘单独留档，报告不妨改，数据不能改。
补充一组数据：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」。
成本与质量的相对位置
06数据与样张
具体说压测曲线的屏幕前那一轮：盲评顺序记错了一次，整组作废重来。数据先摆事实：强项强多少，弱项弱多少。
先说反例：第一周最大的发现，是高峰期和闲时能差出一倍。测速脚本开源出来，接受同样的审视。
口径统一后：现在回看，Issue 没搜就提问几乎是必然的。只测一遍就下结论，等于没测。
有个细节：对照官方成绩核一遍的时候测，成绩稳定得多。方法有缺陷就写进「已知局限」，别装没有。
07对号入座
当时手头只有环境清单，照样把整轮测试跑完了。画像列在下面，越靠前匹配度越高。
把环境清单固定放在压测曲线的屏幕前，测试条件再没乱过。只测一遍就下结论，等于没测。
追问下去：后来把题量压到「谁都能测完」的规模，反而坚持下来了。对比对象选同档热门，别拿小厂刷战绩。
盲评环节里：题目一半自编一半公开，防止套题。付费档和免费档分开出成绩单。
08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。
那阵子数字经得起追问是整份报告里最硬的一条。把对手的优点也写出来，报告才立得住。
把样本拉大后：被推翻的结论不删除，划线存档并注明。失败的用例原样保留，那是报告的一半价值。
补充一组数据：每一项评分都要能追溯到原始记录。把「适合谁」写具体到岗位，别写「进阶用户」。这篇先到这，有新版本随时回来改。
只带走一句话的话：先看方法那一节。
这篇按勘误记录持续修订。
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。
- OLMo多卡实测速度提升量化自己测的跑分和官方差很远？
- 先对环境：显卡、框架版本、提示模板、温度参数任何一个不同都会造成差距。把环境写成附录，成绩才可复现。
- 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。