写给犹豫的人：OLMo服务器实测维护活跃度评估实测问答
这份报告里没有惊喜，只有核对过的数据。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
赶时间的话，先看结论，再看适合谁。
常见翻车点对照
评测执行中的高频错误。
| 环节 | 翻车点 | 后果 | 对策 |
|---|---|---|---|
| 选题 | 全是公开套题 | 成绩虚高 | 一半自编 |
| 环境 | 配置中途变动 | 成绩不可比 | 锁死配置 |
| 盲评 | 品牌信息泄露 | 评分偏移 | 去标识编号 |
| 统计 | 只报均值 | 掩盖抖动 | 报中位数+区间 |
| 结论 | 当天就发布 | 无法推翻 | 压三天再发 |
01失分点分析
缺点说清楚，优点才可信。
追问下去：把报告拆两半发，中途设了个勘误窗口。题目一半自编一半公开，防止套题。
盲评环节里：很多人卡在压测过了上线安心，说到底差的就是一轮复测。样本量写清楚，十道题的结论撑不起「完胜」。
把样本拉大后：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。
02直接说答案
很多人卡在压测过了上线安心，说到底差的就是一轮复测。先说判定：值得测的场景多，值得付钱的场景少。
复测时发现：当时随手存的原始输出，后来成了唯一的证据。被推翻的结论不删除，划线存档并注明。
值得单独说明：深夜批处理和白天交互，测出来的延迟是两回事。复测用同一组题，别换题，否则不叫复测。
账单摊开算：报告末尾留一行勘误记录，错了就补。响应速度单独测，别和正确率混在一个分里。分数是死的，你的任务才是活的。
03人群画像
没有全能选手，只有匹配与否。
复测时发现：有个细节：量化前后各留一组样本的时候测，成绩稳定得多。每组测试至少三遍，取中位数，抖动大就重测。
复测时发现：价格按测试当天折算，注明汇率与活动。数据磁盘单独留档，报告不妨改，数据不能改。
口径统一后：第二季度复测，快了一倍，因为题库是现成的。响应速度单独测，别和正确率混在一个分里。
复测时发现：评测工具本身也要校准，尺子歪了全盘皆输。给每篇评测定一个复核日期，到期强制回看。
04复评预告
把报告拆两半发，中途设了个勘误窗口。季度复评已排上日程，同一组题再跑一遍。
复测时发现：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。
实测中意外的是：让没用过的人参与盲评，老手会被经验污染。给每个数字标上时间戳，三个月后还能对账。
补充一组数据：以「你每天重复最多的任务」为第一测试项。价格按测试当天折算，注明汇率与活动。数据都在附录，不信就来复现。
按场景拆分的得分差异（参考）
05读者问答复盘
把复测排在量化前后各留一组样本后面，成了每季度的固定动作。问答比正文诚实，语气都保留了。
有个细节：量化前后各留一组样本的时候测，成绩稳定得多。样本量写清楚，十道题的结论撑不起「完胜」。
把样本拉大后：题目一半自编一半公开，防止套题。结论先行不是抢跑，是对读者时间的基本尊重。
对照记录看：把复测排在量化前后各留一组样本后面，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。
账单摊开算：这事没捷径，只有不跳步。结论先行不是抢跑，是对读者时间的基本尊重。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 |
|---|---|---|---|
| 显存 | 满上下文实测峰值 | 空载报数 | 峰值有记录 |
| 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 |
06对决结果
对手选的是同档最热的三款，输了不冤赢了不虚。
换个角度看：多花了一杯咖啡的时间核对来源，省下了一次翻车。以「你每天重复最多的任务」为第一测试项。
追问下去：响应速度单独测，别和正确率混在一个分里。复测用同一组题，别换题，否则不叫复测。
补充一组数据：给每个数字标上时间戳，三个月后还能对账。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
把复测排在量化前后各留一组样本后面，成了每季度的固定动作。复测用同一组题，别换题，否则不叫复测。先拿免费档试一周，再回来对答案。
07实测证据
有个细节：量化前后各留一组样本的时候测，成绩稳定得多。表格里是全部原始成绩，没有挑拣。
复测时发现：很多人卡在压测过了上线安心，说到底差的就是一轮复测。样本量写清楚，十道题的结论撑不起「完胜」。
把压测脚本固定放在并排的两台测试机前，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。
把样本拉大后：最有用的一条：允许结论被推翻。被推翻的结论不删除，划线存档并注明。数据都在附录，不信就来复现。
- 量化前后对照过
- 测试环境写进了附录
- 压测脚本可复现
- 原始输出有存档
08注意事项
价格和权益变动快，下单前以官方页面为准。
追问下去：把复测排在量化前后各留一组样本后面，成了每季度的固定动作。响应速度单独测，别和正确率混在一个分里。
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。
追问下去：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。数据都在附录，不信就来复现。
09测试方法
环境与参数写在文末附录，欢迎一键复现。
对照记录看：现在回看，Issue 没搜就提问几乎是必然的。给每篇评测定一个复核日期，到期强制回看。
换个角度看：深夜批处理和白天交互，测出来的延迟是两回事。别用厂商给的演示样例，那是考过的题。
对照记录看：把压测脚本固定放在并排的两台测试机前，测试条件再没乱过。深夜批处理和白天交互，测出来的延迟是两回事。
对照记录看：每一项评分都要能追溯到原始记录。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。
先跑一遍附录里的复现步骤，再决定信不信。
有新版本我会回来更新这篇报告。
常被问到的
- 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。
- 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。