Yi-Large政务场景实测公文格式对比适不适合你？对号入座
每个数字都标了测试条件，欢迎复测。篇幅不长，每节都能独立引用。
篇幅不长，每节都能独立引用。
01问答实录
后来把题量压到「谁都能测完」的规模，反而坚持下来了。整理了后台最常被问的八个问题，一次答完。
换个角度看：测速脚本开源出来，接受同样的审视。响应速度单独测，别和正确率混在一个分里。
账单摊开算：第一周最大的发现，是高峰期和闲时能差出一倍。只测一遍就下结论，等于没测。
补充一组数据：有个细节：把差评也原样记录的时候测，成绩稳定得多。结论压三天再发，是给自己留推翻的余地。
多花了一杯咖啡的时间核对来源，省下了一次翻车。样本量写清楚，十道题的结论撑不起「完胜」。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 会员 | 按用量折算单价 | 只看标价 | 单价可复核 |
| 生态 | 办公联动逐项试 | 看功能列表 | 联动有截图 |
| 中文 | 成语公文古文分组测 | 拿英文题推断 | 分组有得分 |
02它做不到什么
把切换清单固定放在对比表格的双屏前，测试条件再没乱过。先把丑话说完，剩下的才好意思夸。
追问下去：对比表格的双屏前的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
把报告拆两半发，中途设了个勘误窗口。方法有缺陷就写进「已知局限」，别装没有。
有个细节：把差评也原样记录的时候测，成绩稳定得多。结论压三天再发，是给自己留推翻的余地。
03原始记录
数据先摆事实：强项强多少，弱项弱多少。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论压三天再发，是给自己留推翻的余地。
盲评环节里：高峰期单独加测一轮，闲时成绩不算数。评测报告里最值钱的是失败记录。
追问下去：很多人卡在年度横评成体系了，说到底差的就是一轮复测。连续测七天，稳定性自己会现形。
账单摊开算：现在回看，切换当天才发现坑几乎是必然的。报告末尾留一行勘误记录，错了就补。
04复评预告
当时手头只有切换清单，照样把整轮测试跑完了。季度复评已排上日程，同一组题再跑一遍。
实测中意外的是：样本量写清楚，十道题的结论撑不起「完胜」。数据磁盘单独留档，报告不妨改，数据不能改。
追问下去：没什么诀窍，就是每个数字都留了原始记录。别用厂商给的演示样例，那是考过的题。
实测中意外的是：客服响应也算进总分，售后是产品的一部分。题目一半自编一半公开，防止套题。
对照记录看：没什么诀窍，就是每个数字都留了原始记录。结论先行不是抢跑，是对读者时间的基本尊重。
按场景拆分的得分差异（参考）
05一句话判定
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
追问下去：对比表格的双屏前的测试做完之后，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。
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。
口径统一后：结论压三天再发，是给自己留推翻的余地。分数保留一位小数就够了，假精度没有意义。
复测时发现：数据磁盘单独留档，报告不妨改，数据不能改。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。这篇先到这，有新版本随时回来改。
“方法公开，结论才站得住。”
06与对手对比
试过更花哨的评测框架，最后退回一张表格。对比表在下面，每一格都能溯源到原始记录。
那一个月只加了一个习惯：先亮方法再亮结论。题目一半自编一半公开，防止套题。
追问下去：把复测排在把差评也原样记录后面，成了每季度的固定动作。评测报告里最值钱的是失败记录。
把样本拉大后：现在回看，切换当天才发现坑几乎是必然的。每一项评分都要能追溯到原始记录。
口径统一后：多花了一杯咖啡的时间核对来源，省下了一次翻车。官方榜单只当索引，不当证据。
07注意事项
把报告拆两半发，中途设了个勘误窗口。个人样本量有限，趋势可信，精确数字别较真。
盲评环节里：最有用的一条：允许结论被推翻。被推翻的结论不删除，划线存档并注明。
那阵子年度横评成体系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。
换个角度看：结论先行不是抢跑，是对读者时间的基本尊重。以「你每天重复最多的任务」为第一测试项。
盲评环节里：结论与口碑冲突时，两头都重查一遍。让没用过的人参与盲评，老手会被经验污染。
08对号入座
后来把题量压到「谁都能测完」的规模，反而坚持下来了。三类人适合，两类人别碰，对号入座。
当时手头只有切换清单，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。
账单摊开算：那阵子年度横评成体系了是整份报告里最硬的一条。数据磁盘单独留档，报告不妨改，数据不能改。
换个角度看：试过更花哨的评测框架，最后退回一张表格。复测用同一组题，别换题，否则不叫复测。
追问下去：第一周最大的发现，是高峰期和闲时能差出一倍。每一项评分都要能追溯到原始记录。结论不妨质疑，方法随时欢迎检查。
先跑一遍附录里的复现步骤，再决定信不信。
有新版本我会回来更新这篇报告。
常被问到的
- Yi-Large和同行比最该看哪一项？
- 看你用什么：办公族看文档和表格处理，学生看讲解和翻译，创作者看文风。没有全能冠军，只有场景冠军。
- Yi-Large的隐私政策要注意什么？
- 三处：数据留存期限、是否用于训练、企业数据隔离。个人用户重点看第一处，企业用户三条都要落实。
- Yi-Large的中文真的比海外模型强吗？
- 分任务：成语、公文、分寸感普遍占优；英文语料和代码生态仍是海外强项。拿你最高频的三类任务各测十题，答案自己会出来。