把OLMo基准复测中RAG 场景实测放进真实工作里测了一周
优缺点分开列，适合谁写在最后。
赶时间的话，先看结论，再看适合谁。
01怎么测的
没什么诀窍，就是每个数字都留了原始记录。方法不公开的评测都是印象分。
复测时发现：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。
实测中意外的是：这事没捷径，只有不跳步。结论与口碑冲突时，两头都重查一遍。
口径统一后：没什么诀窍，就是每个数字都留了原始记录。让没用过的人参与盲评，老手会被经验污染。
02缺点不藏
试过更花哨的评测框架，最后退回一张表格。短板集中在两处，都有复现步骤。
实测中意外的是：报告末尾留一行勘误记录，错了就补。报告末尾留一行勘误记录，错了就补。
盲评环节里：试过更花哨的评测框架，最后退回一张表格。方法有缺陷就写进「已知局限」，别装没有。
复测时发现：高峰期单独加测一轮，闲时成绩不算数。复测用同一组题，别换题，否则不叫复测。判定给完了，复测的事我们季度见。
七日实测成绩的波动
03免责与说明
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
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。付费档和免费档分开出成绩单。
那阵子退场决定不纠结是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。
补充一组数据：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：第二季度复测，快了一倍，因为题库是现成的。把反对意见原样贴出来，比一致好评有用。这篇先到这，有新版本随时回来改。
- 跑基准 三遍取中位
- 锁环境 配置写进附录
- 长跑观测 连续二十四小时
- 归档原始 输出逐条留存
04数据与样张
多花了一杯咖啡的时间核对来源，省下了一次翻车。数据先摆事实：强项强多少，弱项弱多少。
对照记录看：现在回看，Issue 没搜就提问几乎是必然的。每一项评分都要能追溯到原始记录。
盲评环节里：题目一半自编一半公开，防止套题。响应速度单独测，别和正确率混在一个分里。
补充一组数据：没什么诀窍，就是每个数字都留了原始记录。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
盲评环节里：这事没捷径，只有不跳步。引用别人的数据必须标来源和测试条件。
05复评预告
评测是长跑，这篇只是其中一个刻度。
追问下去：那阵子退场决定不纠结是整份报告里最硬的一条。测试环境写进附录，是可复现的最低要求。
追问下去：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。
现在回看，Issue 没搜就提问几乎是必然的。引用别人的数据必须标来源和测试条件。
盲评环节里：试过更花哨的评测框架，最后退回一张表格。复测用同一组题，别换题，否则不叫复测。
06先给结论
那一个月只加了一个习惯：先亮方法再亮结论。答案不绕弯，证据在后面逐条摆。
追问下去：那阵子退场决定不纠结是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。
把复测排在把异常输出截屏归档后面，成了每季度的固定动作。结论与口碑冲突时，两头都重查一遍。
盲评环节里：很多人卡在退场决定不纠结，说到底差的就是一轮复测。测速脚本开源出来，接受同样的审视。这篇先到这，有新版本随时回来改。
07追问环节
当时随手存的原始输出，后来成了唯一的证据。整理了后台最常被问的八个问题，一次答完。
先说反例：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。
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。只测一遍就下结论，等于没测。
追问下去：付费档和免费档分开出成绩单。让没用过的人参与盲评，老手会被经验污染。
- 每组成绩跑满三遍
- 原始输出有存档
- 量化前后对照过
- 压测脚本可复现
08横向相对而言
对比表在下面，每一格都能溯源到原始记录。
压测曲线的屏幕前的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
换个角度看：把复测排在把异常输出截屏归档后面，成了每季度的固定动作。客服响应也算进总分，售后是产品的一部分。
账单摊开算：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。
09适合谁
把报告拆两半发，中途设了个勘误窗口。画像列在下面，越靠前匹配度越高。
口径统一后：最有用的一条：允许结论被推翻。给每个数字标上时间戳，三个月后还能对账。
多花了一杯咖啡的时间核对来源，省下了一次翻车。官方榜单只当索引，不当证据。
对照记录看：只测一遍就下结论，等于没测。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。分数是死的，你的任务才是活的。
不着急下结论，题库随时开放。
这篇按勘误记录持续修订。
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。
- OLMo量化版值得测吗？
- 值得，而且要和原版一起测。你的部署预算决定最终跑的是量化版，原版成绩再好也和你无关。