不看广告看疗效：OLMo选型报告磁盘读写实测实测
压了三天才发的评测，推翻过一次结论。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01问答实录
整理了后台最常被问的八个问题，一次答完。
第一周最大的发现，是高峰期和闲时能差出一倍。分数变化百分之五以内，视为人手误差。
追问下去：别用厂商给的演示样例，那是考过的题。每一项评分都要能追溯到原始记录。
账单摊开算：具体说复测数据的汇总表旁那一轮：盲评顺序记错了一次，整组作废重来。分数变化百分之五以内，视为人手误差。
第二季度复测，快了一倍，因为题库是现成的。高峰期单独加测一轮，闲时成绩不算数。这篇先到这，有新版本随时回来改。
- 锁环境 配置写进附录
- 对照量化 与原版同题
- 归档原始 输出逐条留存
- 跑基准 三遍取中位
02怎么测的
每组测试跑三遍取中位数，抖动超过一成就重测。
先说反例：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。
把样本拉大后：那一个月只加了一个习惯：先亮方法再亮结论。只测一遍就下结论，等于没测。
追问下去：把复测排在把失败用例也存档后面，成了每季度的固定动作。官方榜单只当索引，不当证据。分数是死的，你的任务才是活的。
03一句话判定
那阵子坑都提前踩完了是整份报告里最硬的一条。先说判定：值得测的场景多，值得付钱的场景少。
值得单独说明：每一项评分都要能追溯到原始记录。把对手的优点也写出来，报告才立得住。
试过更花哨的评测框架，最后退回一张表格。被推翻的结论不删除，划线存档并注明。
值得单独说明：那一个月只加了一个习惯：先亮方法再亮结论。连续测七天，稳定性自己会现形。
试过更花哨的评测框架，最后退回一张表格。官方榜单只当索引，不当证据。
04对号入座
当时手头只有成绩存档库，照样把整轮测试跑完了。画像列在下面，越靠前匹配度越高。
值得单独说明：多花了一杯咖啡的时间核对来源，省下了一次翻车。深夜批处理和白天交互，测出来的延迟是两回事。
复测数据的汇总表旁的测试做完之后，整份报告都顺了。方法有缺陷就写进「已知局限」，别装没有。
复测时发现：最有用的一条：允许结论被推翻。分数保留一位小数就够了，假精度没有意义。
实测中意外的是：现在回看，报告写完没复测几乎是必然的。评测工具本身也要校准，尺子歪了全盘皆输。
- 长跑观测 连续二十四小时
- 跑基准 三遍取中位
- 归档原始 输出逐条留存
- 锁环境 配置写进附录
05横向相对而言
把报告拆两半发，中途设了个勘误窗口。对手选的是同档最热的三款，输了不冤赢了不虚。
先说反例：第二季度复测，快了一倍，因为题库是现成的。价格按测试当天折算，注明汇率与活动。
这事没捷径，只有不跳步。每一项评分都要能追溯到原始记录。
追问下去：结论与口碑冲突时，两头都重查一遍。引用别人的数据必须标来源和测试条件。这篇先到这，有新版本随时回来改。
五个评测维度的权重分布（参考）
06后续计划
第一周最大的发现，是高峰期和闲时能差出一倍。评测是长跑，这篇只是其中一个刻度。
当时手头只有成绩存档库，照样把整轮测试跑完了。价格按测试当天折算，注明汇率与活动。
盲评环节里：没什么诀窍，就是每个数字都留了原始记录。对比对象选同档热门，别拿小厂刷战绩。
这事没捷径，只有不跳步。报告末尾留一行勘误记录，错了就补。
实测中意外的是：那一个月只加了一个习惯：先亮方法再亮结论。样本量写清楚，十道题的结论撑不起「完胜」。先拿免费档试一周，再回来对答案。
07它做不到什么
具体说复测数据的汇总表旁那一轮：盲评顺序记错了一次，整组作废重来。这几处翻车不是版本问题，短期内别指望修复。
复测时发现：分数变化百分之五以内，视为人手误差。测试环境写进附录，是可复现的最低要求。
把样本拉大后：评测期间不更新驱动不改配置，变量锁死。盲评时把品牌信息全部去掉，编号打乱。
口径统一后：题目一半自编一半公开，防止套题。结论与口碑冲突时，两头都重查一遍。这篇先到这，有新版本随时回来改。
08原始记录
当时随手存的原始输出，后来成了唯一的证据。数据先摆事实：强项强多少，弱项弱多少。
把样本拉大后：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。
多花了一杯咖啡的时间核对来源，省下了一次翻车。引用别人的数据必须标来源和测试条件。
换个角度看：方法有缺陷就写进「已知局限」，别装没有。复测用同一组题，别换题，否则不叫复测。数据都在附录，不信就来复现。
数据和短板都摆全了，放心引用。
这篇按勘误记录持续修订。
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。
- 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。
- 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。