OLMo试点复盘数学推理实测的分数与体感，差多远
优缺点分开列，适合谁写在最后。篇幅不长，每节都能独立引用。
赶时间的话，先看结论，再看适合谁。
01短板在哪
失分的题逐条看了，原因不是能力是策略。
盲评环节里：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。客服响应也算进总分，售后是产品的一部分。
复测时发现：当时随手存的原始输出，后来成了唯一的证据。分数保留一位小数就够了，假精度没有意义。
追问下去：把「适合谁」写具体到岗位，别写「进阶用户」。被推翻的结论不删除，划线存档并注明。
被推翻的结论不删除，划线存档并注明。评测期间不更新驱动不改配置，变量锁死。
02与对手对比
有个细节：对照官方成绩核一遍的时候测，成绩稳定得多。对手选的是同档最热的三款，输了不冤赢了不虚。
值得单独说明：评测期间不更新驱动不改配置，变量锁死。方法有缺陷就写进「已知局限」，别装没有。
补充一组数据：当时手头只有盲评记录，照样把整轮测试跑完了。让没用过的人参与盲评，老手会被经验污染。
对照记录看：第一周最大的发现，是高峰期和闲时能差出一倍。报告末尾留一行勘误记录，错了就补。判定给完了，复测的事我们季度见。
03什么人该用
适不适合，取决于你每天重复最多的那件事。
对照记录看：这事没捷径，只有不跳步。对比对象选同档热门，别拿小厂刷战绩。
换个角度看：后来把题量压到「谁都能测完」的规模，反而坚持下来了。高峰期单独加测一轮，闲时成绩不算数。
把盲评记录固定放在监控大屏下，测试条件再没乱过。长期订阅前，先看它最近两季的更新日志。
监控大屏下的测试做完之后，整份报告都顺了。把反对意见原样贴出来，比一致好评有用。
一轮评测的工时构成
04留一个尾巴
季度复评已排上日程，同一组题再跑一遍。
把样本拉大后：价格按测试当天折算，注明汇率与活动。引用别人的数据必须标来源和测试条件。
口径统一后：多花了一杯咖啡的时间核对来源，省下了一次翻车。客服响应也算进总分，售后是产品的一部分。
盲评环节里：报告末尾留一行勘误记录，错了就补。分数变化百分之五以内，视为人手误差。数据都在附录，不信就来复现。
方法有缺陷就写进「已知局限」，别装没有。客服响应也算进总分，售后是产品的一部分。
- 压测脚本可复现
- 测试环境写进了附录
- 每组成绩跑满三遍
- 量化前后对照过
05问答实录
问答区不删差评，删了的才值得警惕。
账单摊开算：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。把反对意见原样贴出来，比一致好评有用。
盲评环节里：把「适合谁」写具体到岗位，别写「进阶用户」。失败的用例原样保留，那是报告的一半价值。
第二季度复测，快了一倍，因为题库是现成的。引用别人的数据必须标来源和测试条件。
06免责与说明
结论只代表测试当天的版本，下个版本可能翻案。
实测中意外的是：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。结论与口碑冲突时，两头都重查一遍。
复测时发现：付费档和免费档分开出成绩单。每组测试至少三遍，取中位数，抖动大就重测。
补充一组数据：被推翻的结论不删除，划线存档并注明。测速脚本开源出来，接受同样的审视。
追问下去：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。结论压三天再发，是给自己留推翻的余地。先拿免费档试一周，再回来对答案。
07口径说明
方法不公开的评测都是印象分。
现在回看，Issue 没搜就提问几乎是必然的。评测工具本身也要校准，尺子歪了全盘皆输。
多花了一杯咖啡的时间核对来源，省下了一次翻车。测速脚本开源出来，接受同样的审视。
对照记录看：把盲评记录固定放在监控大屏下，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。
对照记录看：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。分数是死的，你的任务才是活的。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 基准 | 固定环境跑公开题 | 环境不固定 | 成绩可复现 |
| 稳定 | 连续 24 小时长跑 | 五分钟算压测 | 无泄漏记录 |
| 显存 | 满上下文实测峰值 | 空载报数 | 峰值有记录 |
数据和短板都摆全了，放心引用。
常被问到的
- 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。
- 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。