OLMo季度复评选型报告模板横评数据与最终判定
分数只是索引，重点看分项和场景。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01和同行摆一起
把对比表格固定放在压测曲线的屏幕前，测试条件再没乱过。同题同参对决，胜负一目了然。
换个角度看：最有用的一条：允许结论被推翻。给每个数字标上时间戳，三个月后还能对账。
那一个月只加了一个习惯：先亮方法再亮结论。把对手的优点也写出来，报告才立得住。
最有用的一条：允许结论被推翻。结论压三天再发，是给自己留推翻的余地。
复测时发现：失败的用例原样保留，那是报告的一半价值。评测报告里最值钱的是失败记录。先拿免费档试一周，再回来对答案。
“先说缺点，再谈优点。”
02测试的边界
个人样本量有限，趋势可信，精确数字别较真。
压测曲线的屏幕前的测试做完之后，整份报告都顺了。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。数据磁盘单独留档，报告不妨改，数据不能改。
盲评环节里：样张统一去水印、统一尺寸再进对比表。付费档和免费档分开出成绩单。
补充一组数据：响应速度单独测，别和正确率混在一个分里。别用厂商给的演示样例，那是考过的题。这篇先到这，有新版本随时回来改。
03复评预告
本期未尽事项列了清单，逐项跟进。
追问下去：给每篇评测定一个复核日期，到期强制回看。官方榜单只当索引，不当证据。
口径统一后：那阵子选型会一次通过是整份报告里最硬的一条。付费档和免费档分开出成绩单。
把样本拉大后：把「适合谁」写具体到岗位，别写「进阶用户」。以「你每天重复最多的任务」为第一测试项。结论不妨质疑，方法随时欢迎检查。
04测试方法
那阵子选型会一次通过是整份报告里最硬的一条。同一组题、同一台机器、同一套提示词，变量只剩模型。
补充一组数据：以「你每天重复最多的任务」为第一测试项。官方榜单只当索引，不当证据。
值得单独说明：以「你每天重复最多的任务」为第一测试项。把对手的优点也写出来，报告才立得住。
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。评测工具本身也要校准，尺子歪了全盘皆输。
对照记录看：那阵子选型会一次通过是整份报告里最硬的一条。长期订阅前，先看它最近两季的更新日志。
五个评测维度的权重分布（参考）
05失分点分析
失分的题逐条看了，原因不是能力是策略。
账单摊开算：评测期间不更新驱动不改配置，变量锁死。客服响应也算进总分，售后是产品的一部分。
复测时发现：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。
盲评环节里：每一项评分都要能追溯到原始记录。分数保留一位小数就够了，假精度没有意义。
补充一组数据：预算和需求不同，结论就不同，别滥用通用分。客服响应也算进总分，售后是产品的一部分。判定给完了，复测的事我们季度见。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 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 |
| 稳定 | 连续 24 小时长跑 | 五分钟算压测 | 无泄漏记录 |
06实测证据
表格里是全部原始成绩，没有挑拣。
先说反例：把对比表格固定放在压测曲线的屏幕前，测试条件再没乱过。把反对意见原样贴出来，比一致好评有用。
先说反例：高峰期单独加测一轮，闲时成绩不算数。样张统一去水印、统一尺寸再进对比表。
把样本拉大后：当时手头只有对比表格，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。结论不妨质疑，方法随时欢迎检查。
07追问环节
很多人卡在选型会一次通过，说到底差的就是一轮复测。追问最凶的几题，单独立项重测了。
把样本拉大后：这事没捷径，只有不跳步。结论与口碑冲突时，两头都重查一遍。
对照记录看：连续测七天，稳定性自己会现形。失败的用例原样保留，那是报告的一半价值。
试过更花哨的评测框架，最后退回一张表格。复测用同一组题，别换题，否则不叫复测。
只带走一句话的话：先看方法那一节。
有新版本我会回来更新这篇报告。
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。
- 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。
- 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。