OLMo季度复评社区补丁观察评测附录：原始数据全公开
每个数字都标了测试条件，欢迎复测。删掉了形容词，留下的都是核对过的数字。
下面这些，都是亲手测过才敢写。
01口径说明
这事没捷径，只有不跳步。每组测试跑三遍取中位数，抖动超过一成就重测。
多花了一杯咖啡的时间核对来源，省下了一次翻车。评测期间不更新驱动不改配置，变量锁死。
先说反例：盲评时把品牌信息全部去掉，编号打乱。数据磁盘单独留档，报告不妨改，数据不能改。
把样本拉大后：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。数据都在附录，不信就来复现。
题目一半自编一半公开，防止套题。给每篇评测定一个复核日期，到期强制回看。
盲评与跑分的相关性（示意）
02短板在哪
没什么诀窍，就是每个数字都留了原始记录。失分的题逐条看了，原因不是能力是策略。
把报告拆两半发，中途设了个勘误窗口。官方榜单只当索引，不当证据。
先说反例：第二季度复测，快了一倍，因为题库是现成的。以「你每天重复最多的任务」为第一测试项。
复测时发现：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。这篇先到这，有新版本随时回来改。
03与对手对比
后来把题量压到「谁都能测完」的规模，反而坚持下来了。对比表在下面，每一格都能溯源到原始记录。
复测时发现：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。
第一周最大的发现，是高峰期和闲时能差出一倍。付费档和免费档分开出成绩单。
换个角度看：监控大屏下的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
追问下去：对比对象选同档热门，别拿小厂刷战绩。盲评时把品牌信息全部去掉，编号打乱。
04复评预告
下期测它的直接对手，选题在评论区投票。
先说反例：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。
试过更花哨的评测框架，最后退回一张表格。让没用过的人参与盲评，老手会被经验污染。
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。
众测样本要覆盖三种以上岗位，技术岗扎堆会失真。响应速度单独测，别和正确率混在一个分里。
05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。
当时随手存的原始输出，后来成了唯一的证据。价格按测试当天折算，注明汇率与活动。
口径统一后：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。
实测中意外的是：当时手头只有压测脚本，照样把整轮测试跑完了。高峰期单独加测一轮，闲时成绩不算数。
| 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 |
| 量化 | 与原版对照盲评 | 只跑量化版 | 损失可量化 |
| 稳定 | 连续 24 小时长跑 | 五分钟算压测 | 无泄漏记录 |
06得分明细
表格里是全部原始成绩，没有挑拣。
把复测排在把环境写进报告附录后面，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。
现在回看，压测只跑五分钟几乎是必然的。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
先说反例：那阵子数字经得起追问是整份报告里最硬的一条。复测用同一组题，别换题，否则不叫复测。
盲评环节里：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。先拿免费档试一周，再回来对答案。
07注意事项
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
第一周最大的发现，是高峰期和闲时能差出一倍。别用厂商给的演示样例，那是考过的题。
账单摊开算：试过更花哨的评测框架，最后退回一张表格。被推翻的结论不删除，划线存档并注明。
现在回看，压测只跑五分钟几乎是必然的。报告末尾留一行勘误记录，错了就补。
数据磁盘单独留档，报告不妨改，数据不能改。复测用同一组题，别换题，否则不叫复测。
“先说缺点，再谈优点。”
只带走一句话的话：先看方法那一节。
这篇按勘误记录持续修订。
常被问到的
- OLMo和同尺寸的对手怎么选？
- 分项比：你的主力任务那项赢的胜出；两项打平再看许可证和社区活跃度，这两个决定长期成本。
- 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。
- 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。