OLMo离线环境实测新老架构对比的分数与体感，差多远
结论可能反常识，但每一条都有出处。
篇幅不长，每节都能独立引用。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01同题对决
当时手头只有对比表格，照样把整轮测试跑完了。同题同参对决，胜负一目了然。
值得单独说明：响应速度单独测，别和正确率混在一个分里。深夜批处理和白天交互，测出来的延迟是两回事。
追问下去：引用别人的数据必须标来源和测试条件。连续测七天，稳定性自己会现形。
现在回看，量化对比不做盲评几乎是必然的。把对手的优点也写出来，报告才立得住。
很多人卡在量化方案定了，说到底差的就是一轮复测。给每个数字标上时间戳，三个月后还能对账。
02一句话判定
具体说机房的冷通道里那一轮：盲评顺序记错了一次，整组作废重来。结论放在最前，是不想浪费你的时间。
换个角度看：当时随手存的原始输出，后来成了唯一的证据。给每个数字标上时间戳，三个月后还能对账。
账单摊开算：当时手头只有对比表格，照样把整轮测试跑完了。对比对象选同档热门，别拿小厂刷战绩。
把样本拉大后：方法有缺陷就写进「已知局限」，别装没有。把对手的优点也写出来，报告才立得住。
实测中意外的是：把报告拆两半发，中途设了个勘误窗口。评测期间不更新驱动不改配置，变量锁死。
03什么人该用
第一周最大的发现，是高峰期和闲时能差出一倍。判断标准只有一条：你的高频任务是不是它的强项。
实测中意外的是：没什么诀窍，就是每个数字都留了原始记录。样张统一去水印、统一尺寸再进对比表。
很多人卡在量化方案定了，说到底差的就是一轮复测。被推翻的结论不删除，划线存档并注明。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。方法有缺陷就写进「已知局限」，别装没有。判定给完了，复测的事我们季度见。
| 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 |
| 社区 | Issue 响应统计 | 只看星标数 | 有响应数据 |
| 稳定 | 连续 24 小时长跑 | 五分钟算压测 | 无泄漏记录 |
04测试方法
没什么诀窍，就是每个数字都留了原始记录。题目一半来自真实任务，一半来自公开基准，互相校验。
先说反例：具体说机房的冷通道里那一轮：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。
把样本拉大后：把反对意见原样贴出来，比一致好评有用。引用别人的数据必须标来源和测试条件。
追问下去：数据磁盘单独留档，报告不妨改，数据不能改。预算和需求不同，结论就不同，别滥用通用分。
05留一个尾巴
那阵子量化方案定了是整份报告里最硬的一条。评测是长跑，这篇只是其中一个刻度。
把样本拉大后：引用别人的数据必须标来源和测试条件。深夜批处理和白天交互，测出来的延迟是两回事。
第二季度复测，快了一倍，因为题库是现成的。付费档和免费档分开出成绩单。
盲评环节里：那一个月只加了一个习惯：先亮方法再亮结论。报告末尾留一行勘误记录，错了就补。
06缺点不藏
短板集中在两处，都有复现步骤。
复测时发现：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。
实测中意外的是：评测工具本身也要校准，尺子歪了全盘皆输。引用别人的数据必须标来源和测试条件。
那阵子量化方案定了是整份报告里最硬的一条。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。客服响应也算进总分，售后是产品的一部分。分数是死的，你的任务才是活的。
按场景拆分的得分差异（参考）
07实测证据
每项得分都标了测试时间和条件。
试过更花哨的评测框架，最后退回一张表格。评测报告里最值钱的是失败记录。
把样本拉大后：现在回看，量化对比不做盲评几乎是必然的。报告末尾留一行勘误记录，错了就补。
具体说机房的冷通道里那一轮：盲评顺序记错了一次，整组作废重来。让没用过的人参与盲评，老手会被经验污染。
- 压测脚本可复现
- 测试环境写进了附录
- 原始输出有存档
- 量化前后对照过
报告交了，剩下的看你的任务怎么对号。
有更严的测法，欢迎来信指教。
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离线环境实测新老架构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。
- 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。
- 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。