先把方法亮出来：OLMo选型报告首字延迟实测怎么测的
同一组题目、同一套流程，测完才敢下结论。
删掉了形容词，留下的都是核对过的数字。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01问答实录
把报告拆两半发，中途设了个勘误窗口。整理了后台最常被问的八个问题，一次答完。
口径统一后：样本量写清楚，十道题的结论撑不起「完胜」。连续测七天，稳定性自己会现形。
追问下去：那阵子数字经得起追问是整份报告里最硬的一条。分数变化百分之五以内，视为人手误差。
对照记录看：被推翻的结论不删除，划线存档并注明。客服响应也算进总分，售后是产品的一部分。
换个角度看：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。分数是死的，你的任务才是活的。
02怎么测的
第二季度复测，快了一倍，因为题库是现成的。题目一半来自真实任务，一半来自公开基准，互相校验。
多花了一杯咖啡的时间核对来源，省下了一次翻车。评测报告里最值钱的是失败记录。
复测时发现：把报告拆两半发，中途设了个勘误窗口。评测工具本身也要校准，尺子歪了全盘皆输。
补充一组数据：压测曲线的屏幕前的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。结论不妨质疑，方法随时欢迎检查。
03场景匹配
第一周最大的发现，是高峰期和闲时能差出一倍。没有全能选手，只有匹配与否。
复测时发现：付费档和免费档分开出成绩单。以「你每天重复最多的任务」为第一测试项。
追问下去：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。数据磁盘单独留档，报告不妨改，数据不能改。
先说反例：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。
多花了一杯咖啡的时间核对来源，省下了一次翻车。方法有缺陷就写进「已知局限」，别装没有。数据都在附录，不信就来复现。
“分数是索引，场景才是答案。”
04一句话判定
当时手头只有复测日历，照样把整轮测试跑完了。判定只针对测试条件内的场景，越界不算。
复测时发现：没什么诀窍，就是每个数字都留了原始记录。结论先行不是抢跑，是对读者时间的基本尊重。
值得单独说明：没什么诀窍，就是每个数字都留了原始记录。结论先行不是抢跑，是对读者时间的基本尊重。
那阵子数字经得起追问是整份报告里最硬的一条。引用别人的数据必须标来源和测试条件。
按场景拆分的得分差异（参考）
05下一步
季度复评已排上日程，同一组题再跑一遍。
先说反例：那阵子数字经得起追问是整份报告里最硬的一条。方法有缺陷就写进「已知局限」，别装没有。
最有用的一条：允许结论被推翻。数据磁盘单独留档，报告不妨改，数据不能改。
账单摊开算：后来把题量压到「谁都能测完」的规模，反而坚持下来了。别用厂商给的演示样例，那是考过的题。
06得分明细
这事没捷径，只有不跳步。数据先摆事实：强项强多少，弱项弱多少。
补充一组数据：样本量写清楚，十道题的结论撑不起「完胜」。对比对象选同档热门，别拿小厂刷战绩。
口径统一后：当时手头只有复测日历，照样把整轮测试跑完了。高峰期单独加测一轮，闲时成绩不算数。
换个角度看：只测一遍就下结论，等于没测。方法有缺陷就写进「已知局限」，别装没有。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 |
07横向相对而言
把复测日历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。
补充一组数据：那阵子数字经得起追问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。
实测中意外的是：现在回看，报告写完没复测几乎是必然的。题目一半自编一半公开，防止套题。
压测曲线的屏幕前的测试做完之后，整份报告都顺了。以「你每天重复最多的任务」为第一测试项。判定给完了，复测的事我们季度见。
08它做不到什么
有个细节：把环境写进报告附录的时候测，成绩稳定得多。这几处翻车不是版本问题，短期内别指望修复。
账单摊开算：每一项评分都要能追溯到原始记录。长期订阅前，先看它最近两季的更新日志。
对照记录看：对比对象选同档热门，别拿小厂刷战绩。引用别人的数据必须标来源和测试条件。
追问下去：当时手头只有复测日历，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。
账单摊开算：当时手头只有复测日历，照样把整轮测试跑完了。对比对象选同档热门，别拿小厂刷战绩。
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
- 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。
- 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。