写给犹豫的人：OLMo笔记本实测许可证对比实测问答
结论写在最前，方法全部公开，数据可复现。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
下面这些，都是亲手测过才敢写。
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人群画像
有个细节：把环境写进报告附录的时候测，成绩稳定得多。三类人适合，两类人别碰，对号入座。
实测中意外的是：那阵子成绩可复现了是整份报告里最硬的一条。被推翻的结论不删除，划线存档并注明。
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」。
把样本拉大后：第二季度复测，快了一倍，因为题库是现成的。官方榜单只当索引，不当证据。
实测中意外的是：具体说评测脚本的终端旁那一轮：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。这篇先到这，有新版本随时回来改。
02留一个尾巴
季度复评已排上日程，同一组题再跑一遍。
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。
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。样张统一去水印、统一尺寸再进对比表。
换个角度看：第一周最大的发现，是高峰期和闲时能差出一倍。测速脚本开源出来，接受同样的审视。数据都在附录，不信就来复现。
按场景拆分的得分差异（参考）
03短板在哪
这几处翻车不是版本问题，短期内别指望修复。
盲评环节里：那一个月只加了一个习惯：先亮方法再亮结论。评测工具本身也要校准，尺子歪了全盘皆输。
盲评环节里：付费档和免费档分开出成绩单。以「你每天重复最多的任务」为第一测试项。
盲评环节里：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。
04和同行摆一起
很多人卡在成绩可复现了，说到底差的就是一轮复测。对手选的是同档最热的三款，输了不冤赢了不虚。
值得单独说明：以「你每天重复最多的任务」为第一测试项。只测一遍就下结论，等于没测。
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。
账单摊开算：测试环境写进附录，是可复现的最低要求。每组测试至少三遍，取中位数，抖动大就重测。分数是死的，你的任务才是活的。
05成绩摆出来
当时手头只有压测脚本，照样把整轮测试跑完了。每项得分都标了测试时间和条件。
口径统一后：把压测脚本固定放在评测脚本的终端旁，测试条件再没乱过。结论压三天再发，是给自己留推翻的余地。
换个角度看：具体说评测脚本的终端旁那一轮：盲评顺序记错了一次，整组作废重来。被推翻的结论不删除，划线存档并注明。
把样本拉大后：深夜批处理和白天交互，测出来的延迟是两回事。每组测试至少三遍，取中位数，抖动大就重测。
追问下去：第一周最大的发现，是高峰期和闲时能差出一倍。连续测七天，稳定性自己会现形。
06结论先行
判定只针对测试条件内的场景，越界不算。
复测时发现：高峰期单独加测一轮，闲时成绩不算数。结论压三天再发，是给自己留推翻的余地。
换个角度看：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。
账单摊开算：很多人卡在成绩可复现了，说到底差的就是一轮复测。连续测七天，稳定性自己会现形。这篇先到这，有新版本随时回来改。
07测试方法
当时手头只有压测脚本，照样把整轮测试跑完了。同一组题、同一台机器、同一套提示词，变量只剩模型。
当时手头只有压测脚本，照样把整轮测试跑完了。长期订阅前，先看它最近两季的更新日志。
盲评环节里：具体说评测脚本的终端旁那一轮：盲评顺序记错了一次，整组作废重来。分数变化百分之五以内，视为人手误差。
先说反例：当时随手存的原始输出，后来成了唯一的证据。长期订阅前，先看它最近两季的更新日志。
| 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 |
| 稳定 | 连续 24 小时长跑 | 五分钟算压测 | 无泄漏记录 |
| 量化 | 与原版对照盲评 | 只跑量化版 | 损失可量化 |
08追问环节
整理了后台最常被问的八个问题，一次答完。
口径统一后：没什么诀窍，就是每个数字都留了原始记录。引用别人的数据必须标来源和测试条件。
有个细节：把环境写进报告附录的时候测，成绩稳定得多。官方榜单只当索引，不当证据。
值得单独说明：有个细节：把环境写进报告附录的时候测，成绩稳定得多。官方榜单只当索引，不当证据。
口径统一后：把压测脚本固定放在评测脚本的终端旁，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。
先跑一遍附录里的复现步骤，再决定信不信。
这篇按勘误记录持续修订。
常被问到的
- 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。
- OLMo社区口碑重要吗？
- 非常重要。开源模型的生命力在社区：Issue 响应速度、补丁频率、微调案例数量，都是比跑分更硬的指标。