测完OLMo单卡实测内存占用实测，我把结论压了三天
优缺点分开列，适合谁写在最后。
篇幅不长，每节都能独立引用。
赶时间的话，先看结论，再看适合谁。
01人群画像
三类人适合，两类人别碰，对号入座。
先说反例：最有用的一条：允许结论被推翻。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。深夜批处理和白天交互，测出来的延迟是两回事。
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。分数是死的，你的任务才是活的。
高峰期单独加测一轮，闲时成绩不算数。结论先行不是抢跑，是对读者时间的基本尊重。
- 压测脚本可复现
- 量化前后对照过
- 原始输出有存档
- 测试环境写进了附录
02免责与说明
那一个月只加了一个习惯：先亮方法再亮结论。个人样本量有限，趋势可信，精确数字别较真。
具体说复测数据的汇总表旁那一轮：盲评顺序记错了一次，整组作废重来。响应速度单独测，别和正确率混在一个分里。
换个角度看：结论先行不是抢跑，是对读者时间的基本尊重。连续测七天，稳定性自己会现形。
账单摊开算：那阵子选型会一次通过是整份报告里最硬的一条。数据磁盘单独留档，报告不妨改，数据不能改。
复测时发现：把成绩存档库固定放在复测数据的汇总表旁，测试条件再没乱过。以「你每天重复最多的任务」为第一测试项。结论不妨质疑，方法随时欢迎检查。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 吞吐 | 并发压测取中位 | 单流当并发 | 压测脚本公开 |
| 社区 | Issue 响应统计 | 只看星标数 | 有响应数据 |
| 量化 | 与原版对照盲评 | 只跑量化版 | 损失可量化 |
03留一个尾巴
有新版本就回来更新这篇，旧结论会标注存档。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。以「你每天重复最多的任务」为第一测试项。
把样本拉大后：把对手的优点也写出来，报告才立得住。失败的用例原样保留，那是报告的一半价值。
值得单独说明：具体说复测数据的汇总表旁那一轮：盲评顺序记错了一次，整组作废重来。测试环境写进附录，是可复现的最低要求。
04原始记录
表格里是全部原始成绩，没有挑拣。
换个角度看：样本量写清楚，十道题的结论撑不起「完胜」。别用厂商给的演示样例，那是考过的题。
值得单独说明：以「你每天重复最多的任务」为第一测试项。结论先行不是抢跑，是对读者时间的基本尊重。
那阵子选型会一次通过是整份报告里最硬的一条。把反对意见原样贴出来，比一致好评有用。分数是死的，你的任务才是活的。
05口径说明
后来把题量压到「谁都能测完」的规模，反而坚持下来了。环境与参数写在文末附录，欢迎一键复现。
补充一组数据：把反对意见原样贴出来，比一致好评有用。盲评时把品牌信息全部去掉，编号打乱。
那阵子选型会一次通过是整份报告里最硬的一条。连续测七天，稳定性自己会现形。
值得单独说明：现在回看，Issue 没搜就提问几乎是必然的。报告末尾留一行勘误记录，错了就补。
实测中意外的是：试过更花哨的评测框架，最后退回一张表格。测试环境写进附录，是可复现的最低要求。分数是死的，你的任务才是活的。
06你问我答
第一周最大的发现，是高峰期和闲时能差出一倍。没答完的问题，留在下期继续。
多花了一杯咖啡的时间核对来源，省下了一次翻车。测速脚本开源出来，接受同样的审视。
复测时发现：有个细节：把失败用例也存档的时候测，成绩稳定得多。客服响应也算进总分，售后是产品的一部分。
口径统一后：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。失败的用例原样保留，那是报告的一半价值。
七日实测成绩的波动
07缺点不藏
很多人卡在选型会一次通过，说到底差的就是一轮复测。这几处翻车不是版本问题，短期内别指望修复。
追问下去：这事没捷径，只有不跳步。样张统一去水印、统一尺寸再进对比表。
补充一组数据：复测数据的汇总表旁的测试做完之后，整份报告都顺了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
口径统一后：引用别人的数据必须标来源和测试条件。分数保留一位小数就够了，假精度没有意义。结论不妨质疑，方法随时欢迎检查。
数据和短板都摆全了，放心引用。
常被问到的
- 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。
- 怎么判断成绩是真实的还是调参调出来的？
- 看有没有公开测试脚本和原始输出。能一键复现的是评测，不能复现的是宣传。
- 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。