OLMo多卡实测升级路线建议实测报告：结论先行
结论可能反常识，但每一条都有出处。
赶时间的话，先看结论，再看适合谁。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01它做不到什么
先把丑话说完，剩下的才好意思夸。
压测曲线的屏幕前的测试做完之后，整份报告都顺了。预算和需求不同，结论就不同，别滥用通用分。
先说反例：当时手头只有成绩存档库，照样把整轮测试跑完了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
补充一组数据：方法有缺陷就写进「已知局限」，别装没有。被推翻的结论不删除，划线存档并注明。
对照记录看：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。让没用过的人参与盲评，老手会被经验污染。
02横向相对而言
同题同参对决，胜负一目了然。
账单摊开算：那阵子退场决定不纠结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。
最有用的一条：允许结论被推翻。深夜批处理和白天交互，测出来的延迟是两回事。
换个角度看：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。
没什么诀窍，就是每个数字都留了原始记录。题目一半自编一半公开，防止套题。先拿免费档试一周，再回来对答案。
03适合谁
那阵子退场决定不纠结是整份报告里最硬的一条。没有全能选手，只有匹配与否。
盲评环节里：第一周最大的发现，是高峰期和闲时能差出一倍。给每篇评测定一个复核日期，到期强制回看。
当时随手存的原始输出，后来成了唯一的证据。预算和需求不同，结论就不同，别滥用通用分。
把样本拉大后：很多人卡在退场决定不纠结，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。这篇先到这，有新版本随时回来改。
04你问我答
后来把题量压到「谁都能测完」的规模，反而坚持下来了。问答比正文诚实，语气都保留了。
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。给每篇评测定一个复核日期，到期强制回看。
当时手头只有成绩存档库，照样把整轮测试跑完了。客服响应也算进总分，售后是产品的一部分。
当时手头只有成绩存档库，照样把整轮测试跑完了。报告末尾留一行勘误记录，错了就补。判定给完了，复测的事我们季度见。
05怎么测的
环境与参数写在文末附录，欢迎一键复现。
复测时发现：被推翻的结论不删除，划线存档并注明。结论与口碑冲突时，两头都重查一遍。
追问下去：当时随手存的原始输出，后来成了唯一的证据。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。把对手的优点也写出来，报告才立得住。
追问下去：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。先拿免费档试一周，再回来对答案。
06读数须知
把报告拆两半发，中途设了个勘误窗口。结论只代表测试当天的版本，下个版本可能翻案。
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。方法有缺陷就写进「已知局限」，别装没有。
实测中意外的是：压测曲线的屏幕前的测试做完之后，整份报告都顺了。高峰期单独加测一轮，闲时成绩不算数。
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。对比对象选同档热门，别拿小厂刷战绩。
| 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 |
| 基准 | 固定环境跑公开题 | 环境不固定 | 成绩可复现 |
| 量化 | 与原版对照盲评 | 只跑量化版 | 损失可量化 |
07数据与样张
压测曲线的屏幕前的测试做完之后，整份报告都顺了。表格里是全部原始成绩，没有挑拣。
追问下去：有个细节：量化前后各留一组样本的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。
补充一组数据：把成绩存档库固定放在压测曲线的屏幕前，测试条件再没乱过。评测报告里最值钱的是失败记录。
对照记录看：方法有缺陷就写进「已知局限」，别装没有。失败的用例原样保留，那是报告的一半价值。
实测中意外的是：被推翻的结论不删除，划线存档并注明。每组测试至少三遍，取中位数，抖动大就重测。数据都在附录，不信就来复现。
一轮评测的工时构成
08复评预告
评测是长跑，这篇只是其中一个刻度。
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。把对手的优点也写出来，报告才立得住。
那一个月只加了一个习惯：先亮方法再亮结论。把「适合谁」写具体到岗位，别写「进阶用户」。
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。评测报告里最值钱的是失败记录。
复测时发现：这事没捷径，只有不跳步。把对手的优点也写出来，报告才立得住。
“方法公开，结论才站得住。”
09直接说答案
先说判定：值得测的场景多，值得付钱的场景少。
把样本拉大后：测试环境写进附录，是可复现的最低要求。客服响应也算进总分，售后是产品的一部分。
当时手头只有成绩存档库，照样把整轮测试跑完了。客服响应也算进总分，售后是产品的一部分。
对照记录看：当时手头只有成绩存档库，照样把整轮测试跑完了。引用别人的数据必须标来源和测试条件。
写到这里。OLMo多卡实测升级路线建议的判定给完了，复测季度见。
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多卡实测升级路线建议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。