同一句话，Yi-Large年终横评开发者平台体验和对手各答一遍
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。
常见翻车点对照
评测执行中的高频错误。
| 环节 | 翻车点 | 后果 | 对策 |
|---|---|---|---|
| 选题 | 全是公开套题 | 成绩虚高 | 一半自编 |
| 环境 | 配置中途变动 | 成绩不可比 | 锁死配置 |
| 盲评 | 品牌信息泄露 | 评分偏移 | 去标识编号 |
| 统计 | 只报均值 | 掩盖抖动 | 报中位数+区间 |
| 结论 | 当天就发布 | 无法推翻 | 压三天再发 |
01同题对决
最有用的一条：允许结论被推翻。对决结果有个反转，评论区先别吵。
值得单独说明：那阵子免费档用到极致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。
先说反例：后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论先行不是抢跑，是对读者时间的基本尊重。
口径统一后：付费档和免费档分开出成绩单。每一项评分都要能追溯到原始记录。
把众测问卷固定放在评测排期的白板前，测试条件再没乱过。分数保留一位小数就够了，假精度没有意义。先拿免费档试一周，再回来对答案。
02泼冷水环节
第二季度复测，快了一倍，因为题库是现成的。这几处翻车不是版本问题，短期内别指望修复。
口径统一后：当时手头只有众测问卷，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。
实测中意外的是：最有用的一条：允许结论被推翻。分数保留一位小数就够了，假精度没有意义。
账单摊开算：把对手的优点也写出来，报告才立得住。结论压三天再发，是给自己留推翻的余地。
追问下去：响应速度单独测，别和正确率混在一个分里。预算和需求不同，结论就不同，别滥用通用分。这篇先到这，有新版本随时回来改。
七日实测成绩的波动
03什么人该用
适不适合，取决于你每天重复最多的那件事。
换个角度看：题目一半自编一半公开，防止套题。测速脚本开源出来，接受同样的审视。
现在回看，切换当天才发现坑几乎是必然的。盲评时把品牌信息全部去掉，编号打乱。
账单摊开算：样本量写清楚，十道题的结论撑不起「完胜」。每组测试至少三遍，取中位数，抖动大就重测。
04原始记录
第二季度复测，快了一倍，因为题库是现成的。每项得分都标了测试时间和条件。
换个角度看：没什么诀窍，就是每个数字都留了原始记录。让没用过的人参与盲评，老手会被经验污染。
现在回看，切换当天才发现坑几乎是必然的。结论与口碑冲突时，两头都重查一遍。
把复测排在同一道题五家轮流问后面，成了每季度的固定动作。每组测试至少三遍，取中位数，抖动大就重测。
账单摊开算：评测期间不更新驱动不改配置，变量锁死。每一项评分都要能追溯到原始记录。
05下一步
有新版本就回来更新这篇，旧结论会标注存档。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。复测用同一组题，别换题，否则不叫复测。
实测中意外的是：测速脚本开源出来，接受同样的审视。结论压三天再发，是给自己留推翻的余地。
实测中意外的是：每组测试至少三遍，取中位数，抖动大就重测。给每篇评测定一个复核日期，到期强制回看。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 |
|---|---|---|---|
| 中文 | 成语公文古文分组测 | 拿英文题推断 | 分组有得分 |
| 速度 | 早中晚三时段计时 | 只测一次 | 时段分开报 |
| 会员 | 按用量折算单价 | 只看标价 | 单价可复核 |
06怎么测的
很多人卡在免费档用到极致了，说到底差的就是一轮复测。同一组题、同一台机器、同一套提示词，变量只剩模型。
账单摊开算：有个细节：同一道题五家轮流问的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
先说反例：给每个数字标上时间戳，三个月后还能对账。价格按测试当天折算，注明汇率与活动。
没什么诀窍，就是每个数字都留了原始记录。把反对意见原样贴出来，比一致好评有用。
换个角度看：没什么诀窍，就是每个数字都留了原始记录。让没用过的人参与盲评，老手会被经验污染。
07一句话判定
先说判定：值得测的场景多，值得付钱的场景少。
盲评环节里：没什么诀窍，就是每个数字都留了原始记录。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
口径统一后：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。
换个角度看：把报告拆两半发，中途设了个勘误窗口。评测工具本身也要校准，尺子歪了全盘皆输。
盲评环节里：很多人卡在免费档用到极致了，说到底差的就是一轮复测。样本量写清楚，十道题的结论撑不起「完胜」。
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年终横评开发者平台体验换用另一家要多久适应？
- 核心操作一周内能适应，成本在历史对话和习惯迁移。建议双模型并用两周再正式切换。
- Yi-Large年终横评开发者平台体验企业接入前要做哪些评测？
- 四项：高峰稳定性、数据合规、成本单价、员工众测满意度。任何一项不过关，功能再强也要缓一缓。