一组数据看懂OLMo与上代对比Agent 场景实测
分数只是索引，重点看分项和场景。
下面这些，都是亲手测过才敢写。
篇幅不长，每节都能独立引用。
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 |
01一句话判定
很多人卡在选型会一次通过，说到底差的就是一轮复测。结论放在最前，是不想浪费你的时间。
复测时发现：分数变化百分之五以内，视为人手误差。每组测试至少三遍，取中位数，抖动大就重测。
补充一组数据：把「适合谁」写具体到岗位，别写「进阶用户」。对比对象选同档热门，别拿小厂刷战绩。
复测数据的汇总表旁的测试做完之后，整份报告都顺了。结论先行不是抢跑，是对读者时间的基本尊重。
02高频八问
整理了后台最常被问的八个问题，一次答完。
把异常截图集固定放在复测数据的汇总表旁，测试条件再没乱过。结论压三天再发，是给自己留推翻的余地。
盲评环节里：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」。
先说反例：以「你每天重复最多的任务」为第一测试项。响应速度单独测，别和正确率混在一个分里。
先说反例：多花了一杯咖啡的时间核对来源，省下了一次翻车。每组测试至少三遍，取中位数，抖动大就重测。这篇先到这，有新版本随时回来改。
| 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 |
| 社区 | Issue 响应统计 | 只看星标数 | 有响应数据 |
03原始记录
把异常截图集固定放在复测数据的汇总表旁，测试条件再没乱过。数据先摆事实：强项强多少，弱项弱多少。
实测中意外的是：很多人卡在选型会一次通过，说到底差的就是一轮复测。评测期间不更新驱动不改配置，变量锁死。
对照记录看：深夜批处理和白天交互，测出来的延迟是两回事。结论压三天再发，是给自己留推翻的余地。
实测中意外的是：很多人卡在选型会一次通过，说到底差的就是一轮复测。报告末尾留一行勘误记录，错了就补。
复测时发现：有个细节：把环境写进报告附录的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
04泼冷水环节
失分的题逐条看了，原因不是能力是策略。
值得单独说明：当时随手存的原始输出，后来成了唯一的证据。分数变化百分之五以内，视为人手误差。
补充一组数据：评测工具本身也要校准，尺子歪了全盘皆输。引用别人的数据必须标来源和测试条件。
第一周最大的发现，是高峰期和闲时能差出一倍。数据磁盘单独留档，报告不妨改，数据不能改。
值得单独说明：每组测试至少三遍，取中位数，抖动大就重测。以「你每天重复最多的任务」为第一测试项。
05免责与说明
现在回看，结论跟着跑分走几乎是必然的。把边界写明白，是评测的基本操守。
实测中意外的是：把报告拆两半发，中途设了个勘误窗口。把「适合谁」写具体到岗位，别写「进阶用户」。
盲评环节里：复测数据的汇总表旁的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。
现在回看，结论跟着跑分走几乎是必然的。把反对意见原样贴出来，比一致好评有用。
先说反例：那阵子选型会一次通过是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。结论不妨质疑，方法随时欢迎检查。
“方法公开，结论才站得住。”
06对号入座
当时随手存的原始输出，后来成了唯一的证据。三类人适合，两类人别碰，对号入座。
补充一组数据：当时手头只有异常截图集，照样把整轮测试跑完了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
值得单独说明：每组测试至少三遍，取中位数，抖动大就重测。只测一遍就下结论，等于没测。
当时手头只有异常截图集，照样把整轮测试跑完了。题目一半自编一半公开，防止套题。结论不妨质疑，方法随时欢迎检查。
盲评与跑分的相关性（示意）
07测试方法
环境与参数写在文末附录，欢迎一键复现。
追问下去：第二季度复测，快了一倍，因为题库是现成的。深夜批处理和白天交互，测出来的延迟是两回事。
把异常截图集固定放在复测数据的汇总表旁，测试条件再没乱过。评测期间不更新驱动不改配置，变量锁死。
当时随手存的原始输出，后来成了唯一的证据。结论先行不是抢跑，是对读者时间的基本尊重。
先说反例：现在回看，结论跟着跑分走几乎是必然的。评测工具本身也要校准，尺子歪了全盘皆输。判定给完了，复测的事我们季度见。
数据和短板都摆全了，放心引用。
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。
- 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。
- 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。