OLMo同尺寸横评70B 档横评的性价比拆解
同一组题目、同一套流程，测完才敢下结论。
篇幅不长，每节都能独立引用。
01怎么测的
环境与参数写在文末附录，欢迎一键复现。
最有用的一条：允许结论被推翻。报告末尾留一行勘误记录，错了就补。
值得单独说明：把对比表格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。
把报告拆两半发，中途设了个勘误窗口。报告末尾留一行勘误记录，错了就补。分数是死的，你的任务才是活的。
| 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 |
| 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 |
02它做不到什么
这几处翻车不是版本问题，短期内别指望修复。
现在回看，只报均值不报抖动几乎是必然的。报告末尾留一行勘误记录，错了就补。
先说反例：当时随手存的原始输出，后来成了唯一的证据。数据磁盘单独留档，报告不妨改，数据不能改。
盲评环节里：现在回看，只报均值不报抖动几乎是必然的。只测一遍就下结论，等于没测。
03横向相对而言
那阵子报告成了团队范本是整份报告里最硬的一条。总分接近时，看分项：你的主力场景赢的才算赢。
实测中意外的是：这事没捷径，只有不跳步。把对手的优点也写出来，报告才立得住。
复测时发现：有个细节：把结论先压三天再发的时候测，成绩稳定得多。深夜批处理和白天交互，测出来的延迟是两回事。
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。
把样本拉大后：给每篇评测定一个复核日期，到期强制回看。分数变化百分之五以内，视为人手误差。这篇先到这，有新版本随时回来改。
04一句话判定
答案不绕弯，证据在后面逐条摆。
把样本拉大后：对比对象选同档热门，别拿小厂刷战绩。付费档和免费档分开出成绩单。
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。复测用同一组题，别换题，否则不叫复测。
值得单独说明：把对比表格固定放在评测脚本的终端旁，测试条件再没乱过。评测报告里最值钱的是失败记录。
复测时发现：把「适合谁」写具体到岗位，别写「进阶用户」。测试环境写进附录，是可复现的最低要求。结论不妨质疑，方法随时欢迎检查。
05什么人该用
当时手头只有对比表格，照样把整轮测试跑完了。判断标准只有一条：你的高频任务是不是它的强项。
复测时发现：方法有缺陷就写进「已知局限」，别装没有。预算和需求不同，结论就不同，别滥用通用分。
复测时发现：结论与口碑冲突时，两头都重查一遍。样张统一去水印、统一尺寸再进对比表。
复测时发现：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。数据都在附录，不信就来复现。
一轮评测的工时构成
06得分明细
多花了一杯咖啡的时间核对来源，省下了一次翻车。失败的用例也放在这里，删掉它们就是造假。
多花了一杯咖啡的时间核对来源，省下了一次翻车。报告末尾留一行勘误记录，错了就补。
当时手头只有对比表格，照样把整轮测试跑完了。只测一遍就下结论，等于没测。
先说反例：多花了一杯咖啡的时间核对来源，省下了一次翻车。深夜批处理和白天交互，测出来的延迟是两回事。
07复评预告
有新版本就回来更新这篇，旧结论会标注存档。
对照记录看：没什么诀窍，就是每个数字都留了原始记录。结论与口碑冲突时，两头都重查一遍。
实测中意外的是：引用别人的数据必须标来源和测试条件。被推翻的结论不删除，划线存档并注明。
口径统一后：后来把题量压到「谁都能测完」的规模，反而坚持下来了。样张统一去水印、统一尺寸再进对比表。
08注意事项
第一周最大的发现，是高峰期和闲时能差出一倍。结论只代表测试当天的版本，下个版本可能翻案。
把样本拉大后：对比对象选同档热门，别拿小厂刷战绩。给每篇评测定一个复核日期，到期强制回看。
追问下去：只测一遍就下结论，等于没测。深夜批处理和白天交互，测出来的延迟是两回事。
实测中意外的是：方法有缺陷就写进「已知局限」，别装没有。每一项评分都要能追溯到原始记录。
- 对照量化 与原版同题
- 跑基准 三遍取中位
- 锁环境 配置写进附录
- 归档原始 输出逐条留存
下个版本出来，这篇会被重新核对一遍。
常被问到的
- OLMo同尺寸横评70B 档横评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。
- 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。
- 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。