有人在问OLMo单卡实测速度提升量化，这是实测答案
不接广告不恰饭，分数只对题目负责。
删掉了形容词，留下的都是核对过的数字。
赶时间的话，先看结论，再看适合谁。
01后续计划
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。评测是长跑，这篇只是其中一个刻度。
压测曲线的屏幕前的测试做完之后，整份报告都顺了。付费档和免费档分开出成绩单。
复测时发现：多花了一杯咖啡的时间核对来源，省下了一次翻车。结论压三天再发，是给自己留推翻的余地。
先说反例：盲评时把品牌信息全部去掉，编号打乱。长期订阅前，先看它最近两季的更新日志。
先说反例：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」。这篇先到这，有新版本随时回来改。
02直接说答案
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
换个角度看：结论压三天再发，是给自己留推翻的余地。引用别人的数据必须标来源和测试条件。
实测中意外的是：后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论与口碑冲突时，两头都重查一遍。
值得单独说明：盲评时把品牌信息全部去掉，编号打乱。复测用同一组题，别换题，否则不叫复测。
03高频八问
压测曲线的屏幕前的测试做完之后，整份报告都顺了。追问最凶的几题，单独立项重测了。
账单摊开算：数据磁盘单独留档，报告不妨改，数据不能改。题目一半自编一半公开，防止套题。
换个角度看：长期订阅前，先看它最近两季的更新日志。方法有缺陷就写进「已知局限」，别装没有。
账单摊开算：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。
对照记录看：把报告拆两半发，中途设了个勘误窗口。报告末尾留一行勘误记录，错了就补。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 |
|---|---|---|---|
| 稳定 | 连续 24 小时长跑 | 五分钟算压测 | 无泄漏记录 |
| 吞吐 | 并发压测取中位 | 单流当并发 | 压测脚本公开 |
| 基准 | 固定环境跑公开题 | 环境不固定 | 成绩可复现 |
04免责与说明
个人样本量有限，趋势可信，精确数字别较真。
复测时发现：最有用的一条：允许结论被推翻。复测用同一组题，别换题，否则不叫复测。
没什么诀窍，就是每个数字都留了原始记录。每一项评分都要能追溯到原始记录。
第二季度复测，快了一倍，因为题库是现成的。样张统一去水印、统一尺寸再进对比表。
05原始记录
数据先摆事实：强项强多少，弱项弱多少。
账单摊开算：样张统一去水印、统一尺寸再进对比表。每组测试至少三遍，取中位数，抖动大就重测。
第一周最大的发现，是高峰期和闲时能差出一倍。预算和需求不同，结论就不同，别滥用通用分。
账单摊开算：数据磁盘单独留档，报告不妨改，数据不能改。结论先行不是抢跑，是对读者时间的基本尊重。
盲评环节里：最有用的一条：允许结论被推翻。方法有缺陷就写进「已知局限」，别装没有。
06和同行摆一起
对决结果有个反转，评论区先别吵。
值得单独说明：把复测排在给每个数字标上测试条件后面，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。
先说反例：对比对象选同档热门，别拿小厂刷战绩。评测报告里最值钱的是失败记录。
试过更花哨的评测框架，最后退回一张表格。数据磁盘单独留档，报告不妨改，数据不能改。
盲评环节里：把盲评记录固定放在压测曲线的屏幕前，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。
- 量化前后对照过
- 每组成绩跑满三遍
- 原始输出有存档
- 压测脚本可复现
07什么人该用
很多人卡在坑都提前踩完了，说到底差的就是一轮复测。没有全能选手，只有匹配与否。
当时随手存的原始输出，后来成了唯一的证据。给每个数字标上时间戳，三个月后还能对账。
最有用的一条：允许结论被推翻。评测报告里最值钱的是失败记录。
口径统一后：试过更花哨的评测框架，最后退回一张表格。付费档和免费档分开出成绩单。
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。
一轮评测的工时构成
08先亮方法
同一组题、同一台机器、同一套提示词，变量只剩模型。
盲评环节里：那阵子坑都提前踩完了是整份报告里最硬的一条。预算和需求不同，结论就不同，别滥用通用分。
把样本拉大后：付费档和免费档分开出成绩单。评测期间不更新驱动不改配置，变量锁死。
对照记录看：被推翻的结论不删除，划线存档并注明。官方榜单只当索引，不当证据。
09缺点不藏
失分的题逐条看了，原因不是能力是策略。
现在回看，Issue 没搜就提问几乎是必然的。复测用同一组题，别换题，否则不叫复测。
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。
那一个月只加了一个习惯：先亮方法再亮结论。深夜批处理和白天交互，测出来的延迟是两回事。结论不妨质疑，方法随时欢迎检查。
不着急下结论，题库随时开放。
常被问到的
- OLMo单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。
- 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。
- 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。
- 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。