季度复评：OLMo笔记本实测Q4 与 Q8 对比退步了吗
优缺点分开列，适合谁写在最后。
下面这些，都是亲手测过才敢写。
篇幅不长，每节都能独立引用。
01对号入座
三类人适合，两类人别碰，对号入座。
实测中意外的是：第一周最大的发现，是高峰期和闲时能差出一倍。题目一半自编一半公开，防止套题。
盲评环节里：后来把题量压到「谁都能测完」的规模，反而坚持下来了。别用厂商给的演示样例，那是考过的题。
复测时发现：测试机的风扇声中的测试做完之后，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。分数是死的，你的任务才是活的。
“一轮复测，胜过十次转发。”
02跟踪安排
本期未尽事项列了清单，逐项跟进。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。评测工具本身也要校准，尺子歪了全盘皆输。
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。
实测中意外的是：报告末尾留一行勘误记录，错了就补。样本量写清楚，十道题的结论撑不起「完胜」。数据都在附录，不信就来复现。
03泼冷水环节
这几处翻车不是版本问题，短期内别指望修复。
复测时发现：以「你每天重复最多的任务」为第一测试项。题目一半自编一半公开，防止套题。
具体说测试机的风扇声中那一轮：盲评顺序记错了一次，整组作废重来。高峰期单独加测一轮，闲时成绩不算数。
追问下去：第一周最大的发现，是高峰期和闲时能差出一倍。样本量写清楚，十道题的结论撑不起「完胜」。
04结论的适用范围
试过更花哨的评测框架，最后退回一张表格。个人样本量有限，趋势可信，精确数字别较真。
把样本拉大后：那阵子选型会一次通过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。
把报告拆两半发，中途设了个勘误窗口。样本量写清楚，十道题的结论撑不起「完胜」。
先说反例：连续测七天，稳定性自己会现形。别用厂商给的演示样例，那是考过的题。
复测时发现：给每篇评测定一个复核日期，到期强制回看。把对手的优点也写出来，报告才立得住。
05口径说明
最有用的一条：允许结论被推翻。同一组题、同一台机器、同一套提示词，变量只剩模型。
盲评环节里：第二季度复测，快了一倍，因为题库是现成的。评测报告里最值钱的是失败记录。
复测时发现：把对比表格固定放在测试机的风扇声中，测试条件再没乱过。把反对意见原样贴出来，比一致好评有用。
换个角度看：最有用的一条：允许结论被推翻。长期订阅前，先看它最近两季的更新日志。
现在回看，Issue 没搜就提问几乎是必然的。测试环境写进附录，是可复现的最低要求。判定给完了，复测的事我们季度见。
06对决结果
同题同参对决，胜负一目了然。
先说反例：第二季度复测，快了一倍，因为题库是现成的。评测报告里最值钱的是失败记录。
追问下去：试过更花哨的评测框架，最后退回一张表格。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。高峰期单独加测一轮，闲时成绩不算数。先拿免费档试一周，再回来对答案。
07问答实录
当时手头只有对比表格，照样把整轮测试跑完了。问答比正文诚实，语气都保留了。
换个角度看：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：当时手头只有对比表格，照样把整轮测试跑完了。别用厂商给的演示样例，那是考过的题。
账单摊开算：失败的用例原样保留，那是报告的一半价值。把对手的优点也写出来，报告才立得住。
按场景拆分的得分差异（参考）
08总判定
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
值得单独说明：客服响应也算进总分，售后是产品的一部分。失败的用例原样保留，那是报告的一半价值。
值得单独说明：测速脚本开源出来，接受同样的审视。深夜批处理和白天交互，测出来的延迟是两回事。
把样本拉大后：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。失败的用例原样保留，那是报告的一半价值。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 |
|---|---|---|---|
| 显存 | 满上下文实测峰值 | 空载报数 | 峰值有记录 |
| 基准 | 固定环境跑公开题 | 环境不固定 | 成绩可复现 |
| 社区 | Issue 响应统计 | 只看星标数 | 有响应数据 |
09数据与样张
每项得分都标了测试时间和条件。
把样本拉大后：试过更花哨的评测框架，最后退回一张表格。给每个数字标上时间戳，三个月后还能对账。
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。价格按测试当天折算，注明汇率与活动。
补充一组数据：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。每组测试至少三遍，取中位数，抖动大就重测。
写到这里。OLMo笔记本实测Q4 与 Q8 对比的判定给完了，复测季度见。
常被问到的
- OLMo笔记本实测Q4 与 Q8 对比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。
- 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。