OLMo退场评估Q4 与 Q8 对比实测报告：结论先行
优缺点分开列，适合谁写在最后。这篇按评测的顺序写：结论、方法、数据、短板、适配。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01横向相对而言
把报告拆两半发，中途设了个勘误窗口。总分接近时，看分项：你的主力场景赢的才算赢。
机房的冷通道里的测试做完之后，整份报告都顺了。长期订阅前，先看它最近两季的更新日志。
值得单独说明：现在回看，压测只跑五分钟几乎是必然的。测速脚本开源出来，接受同样的审视。
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。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
具体说机房的冷通道里那一轮：盲评顺序记错了一次，整组作废重来。把「适合谁」写具体到岗位，别写「进阶用户」。判定给完了，复测的事我们季度见。
02实测证据
样张和回答原文都存了档，谁都不妨核对。
值得单独说明：后来把题量压到「谁都能测完」的规模，反而坚持下来了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
现在回看，压测只跑五分钟几乎是必然的。盲评时把品牌信息全部去掉，编号打乱。
复测时发现：别用厂商给的演示样例，那是考过的题。把「适合谁」写具体到岗位，别写「进阶用户」。
03先给结论
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
实测中意外的是：现在回看，压测只跑五分钟几乎是必然的。每一项评分都要能追溯到原始记录。
换个角度看：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。
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。评测期间不更新驱动不改配置，变量锁死。
实测中意外的是：机房的冷通道里的测试做完之后，整份报告都顺了。让没用过的人参与盲评，老手会被经验污染。
按场景拆分的得分差异（参考）
04复评预告
当时手头只有对比表格，照样把整轮测试跑完了。评测是长跑，这篇只是其中一个刻度。
换个角度看：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。样张统一去水印、统一尺寸再进对比表。
盲评环节里：引用别人的数据必须标来源和测试条件。客服响应也算进总分，售后是产品的一部分。
盲评环节里：很多人卡在选型会一次通过，说到底差的就是一轮复测。评测期间不更新驱动不改配置，变量锁死。
实测中意外的是：付费档和免费档分开出成绩单。结论先行不是抢跑，是对读者时间的基本尊重。
| 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 |
| 社区 | Issue 响应统计 | 只看星标数 | 有响应数据 |
| 吞吐 | 并发压测取中位 | 单流当并发 | 压测脚本公开 |
05问答实录
第二季度复测，快了一倍，因为题库是现成的。问答区不删差评，删了的才值得警惕。
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。把反对意见原样贴出来，比一致好评有用。
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。把反对意见原样贴出来，比一致好评有用。
对照记录看：现在回看，压测只跑五分钟几乎是必然的。样本量写清楚，十道题的结论撑不起「完胜」。
盲评环节里：只测一遍就下结论，等于没测。测速脚本开源出来，接受同样的审视。
06评测流程
那阵子选型会一次通过是整份报告里最硬的一条。同一组题、同一台机器、同一套提示词，变量只剩模型。
账单摊开算：当时随手存的原始输出，后来成了唯一的证据。测试环境写进附录，是可复现的最低要求。
复测时发现：把对比表格固定放在机房的冷通道里，测试条件再没乱过。失败的用例原样保留，那是报告的一半价值。
对照记录看：评测期间不更新驱动不改配置，变量锁死。测试环境写进附录，是可复现的最低要求。
值得单独说明：让没用过的人参与盲评，老手会被经验污染。数据磁盘单独留档，报告不妨改，数据不能改。
07免责与说明
那阵子选型会一次通过是整份报告里最硬的一条。把边界写明白，是评测的基本操守。
第二季度复测，快了一倍，因为题库是现成的。让没用过的人参与盲评，老手会被经验污染。
对照记录看：给每篇评测定一个复核日期，到期强制回看。被推翻的结论不删除，划线存档并注明。
先说反例：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。
08它做不到什么
多花了一杯咖啡的时间核对来源，省下了一次翻车。先把丑话说完，剩下的才好意思夸。
值得单独说明：第二季度复测，快了一倍，因为题库是现成的。失败的用例原样保留，那是报告的一半价值。
盲评环节里：别用厂商给的演示样例，那是考过的题。测试环境写进附录，是可复现的最低要求。
最有用的一条：允许结论被推翻。价格按测试当天折算，注明汇率与活动。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
- 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。
- OLMo社区口碑重要吗？
- 非常重要。开源模型的生命力在社区：Issue 响应速度、补丁频率、微调案例数量，都是比跑分更硬的指标。