季度复评：Yi-Large老用户复评内容安全边界退步了吗
先给判定，再给证据，缺点一条不藏。这篇按评测的顺序写：结论、方法、数据、短板、适配。
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。
适用人群对照表
不同人群该重点看哪个维度。
| 人群 | 第一维度 | 第二维度 | 提示 |
|---|---|---|---|
| 重度用户 | 成本 | 速度 | 按量细算 |
| 轻度用户 | 免费额度 | 上手难度 | 够用就好 |
| 团队决策 | 稳定 | 生态 | 先试点再推 |
| 创作者 | 质量 | 风格一致性 | 盲评样张 |
| 开发者 | 接口 | 稳定 | 看 API 文档 |
01复评预告
把切换清单固定放在实测记录的本子旁，测试条件再没乱过。有新版本就回来更新这篇，旧结论会标注存档。
口径统一后：很多人卡在会员费花得明白，说到底差的就是一轮复测。连续测七天，稳定性自己会现形。
补充一组数据：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。
补充一组数据：测速脚本开源出来，接受同样的审视。长期订阅前，先看它最近两季的更新日志。这篇先到这，有新版本随时回来改。
02测试的边界
把边界写明白，是评测的基本操守。
对照记录看：把报告拆两半发，中途设了个勘误窗口。只测一遍就下结论，等于没测。
补充一组数据：长期订阅前，先看它最近两季的更新日志。题目一半自编一半公开，防止套题。
把切换清单固定放在实测记录的本子旁，测试条件再没乱过。每组测试至少三遍，取中位数，抖动大就重测。先拿免费档试一周，再回来对答案。
五个评测维度的权重分布（参考）
03得分明细
后来把题量压到「谁都能测完」的规模，反而坚持下来了。失败的用例也放在这里，删掉它们就是造假。
账单摊开算：盲评时把品牌信息全部去掉，编号打乱。价格按测试当天折算，注明汇率与活动。
现在回看，复评一拖再拖几乎是必然的。报告末尾留一行勘误记录，错了就补。
这事没捷径，只有不跳步。客服响应也算进总分，售后是产品的一部分。
对照记录看：长期订阅前，先看它最近两季的更新日志。测速脚本开源出来，接受同样的审视。这篇先到这，有新版本随时回来改。
04总判定
判定只针对测试条件内的场景，越界不算。
很多人卡在会员费花得明白，说到底差的就是一轮复测。失败的用例原样保留，那是报告的一半价值。
换个角度看：让没用过的人参与盲评，老手会被经验污染。给每篇评测定一个复核日期，到期强制回看。
换个角度看：复测用同一组题，别换题，否则不叫复测。付费档和免费档分开出成绩单。
实测中意外的是：测速脚本开源出来，接受同样的审视。数据磁盘单独留档，报告不妨改，数据不能改。判定给完了，复测的事我们季度见。
- 折算会员 按用量算单价
- 三段计时 早中晚各一轮
- 用满额度 上限亲手摸到
- 分组出题 中文专项分五组
05测试方法
那阵子会员费花得明白是整份报告里最硬的一条。方法不公开的评测都是印象分。
口径统一后：把复测排在政策文本逐条划线后面，成了每季度的固定动作。价格按测试当天折算，注明汇率与活动。
盲评环节里：评测报告里最值钱的是失败记录。分数变化百分之五以内，视为人手误差。
口径统一后：把「适合谁」写具体到岗位，别写「进阶用户」。给每个数字标上时间戳，三个月后还能对账。
值得单独说明：官方榜单只当索引，不当证据。长期订阅前，先看它最近两季的更新日志。分数是死的，你的任务才是活的。
- 账单折算可复核
- 三时段各测过一轮
- 政策文本逐条划线
- 免费档用满才下结论
06人群画像
这事没捷径，只有不跳步。判断标准只有一条：你的高频任务是不是它的强项。
口径统一后：对比对象选同档热门，别拿小厂刷战绩。分数变化百分之五以内，视为人手误差。
实测中意外的是：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。
具体说实测记录的本子旁那一轮：盲评顺序记错了一次，整组作废重来。预算和需求不同，结论就不同，别滥用通用分。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。预算和需求不同，结论就不同，别滥用通用分。
07读者问答复盘
试过更花哨的评测框架，最后退回一张表格。追问最凶的几题，单独立项重测了。
复测时发现：把反对意见原样贴出来，比一致好评有用。客服响应也算进总分，售后是产品的一部分。
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。分数变化百分之五以内，视为人手误差。
对照记录看：结论先行不是抢跑，是对读者时间的基本尊重。把对手的优点也写出来，报告才立得住。
08短板在哪
短板集中在两处，都有复现步骤。
账单摊开算：当时随手存的原始输出，后来成了唯一的证据。方法有缺陷就写进「已知局限」，别装没有。
当时手头只有切换清单，照样把整轮测试跑完了。盲评时把品牌信息全部去掉，编号打乱。
把复测排在政策文本逐条划线后面，成了每季度的固定动作。失败的用例原样保留，那是报告的一半价值。
09横向相对而言
对决结果有个反转，评论区先别吵。
多花了一杯咖啡的时间核对来源，省下了一次翻车。评测工具本身也要校准，尺子歪了全盘皆输。
复测时发现：最有用的一条：允许结论被推翻。测试环境写进附录，是可复现的最低要求。
复测时发现：最有用的一条：允许结论被推翻。数据磁盘单独留档，报告不妨改，数据不能改。
盲评环节里：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。判定给完了，复测的事我们季度见。
下个版本出来，这篇会被重新核对一遍。
常被问到的
- Yi-Large老用户复评内容安全边界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。
- 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高峰期会不会变慢？
- 会，全行业都会。早八到十点、晚八到十点实测最准，评测要专门挑高峰时段跑，闲时成绩没有参考价值。