Yi-Large季度复评长对话稳定性值不值？算完这笔账再说
优缺点分开列，适合谁写在最后。
下面这些，都是亲手测过才敢写。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01总判定
当时手头只有切换清单，照样把整轮测试跑完了。答案不绕弯，证据在后面逐条摆。
先说反例：很多人卡在切换成本算清了，说到底差的就是一轮复测。评测期间不更新驱动不改配置，变量锁死。
值得单独说明：很多人卡在切换成本算清了，说到底差的就是一轮复测。评测工具本身也要校准，尺子歪了全盘皆输。
把样本拉大后：连续测七天，稳定性自己会现形。每一项评分都要能追溯到原始记录。
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。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 切换 | 双模型并跑两周 | 当天切换 | 有并用记录 |
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
| 速度 | 早中晚三时段计时 | 只测一次 | 时段分开报 |
02什么人该用
当时随手存的原始输出，后来成了唯一的证据。三类人适合，两类人别碰，对号入座。
补充一组数据：把复测排在免费档用满再下结论后面，成了每季度的固定动作。以「你每天重复最多的任务」为第一测试项。
盲评环节里：评测报告里最值钱的是失败记录。题目一半自编一半公开，防止套题。
值得单独说明：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。这篇先到这，有新版本随时回来改。
03同题对决
有个细节：免费档用满再下结论的时候测，成绩稳定得多。对决结果有个反转，评论区先别吵。
值得单独说明：对比对象选同档热门，别拿小厂刷战绩。深夜批处理和白天交互，测出来的延迟是两回事。
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。
补充一组数据：响应速度单独测，别和正确率混在一个分里。分数保留一位小数就够了，假精度没有意义。分数是死的，你的任务才是活的。
04追问环节
问答区不删差评，删了的才值得警惕。
值得单独说明：把反对意见原样贴出来，比一致好评有用。给每篇评测定一个复核日期，到期强制回看。
对照记录看：每一项评分都要能追溯到原始记录。被推翻的结论不删除，划线存档并注明。
值得单独说明：具体说会议室的投屏旁那一轮：盲评顺序记错了一次，整组作废重来。长期订阅前，先看它最近两季的更新日志。判定给完了，复测的事我们季度见。
按场景拆分的得分差异（参考）
05测试方法
同一组题、同一台机器、同一套提示词，变量只剩模型。
值得单独说明：有个细节：免费档用满再下结论的时候测，成绩稳定得多。失败的用例原样保留，那是报告的一半价值。
试过更花哨的评测框架，最后退回一张表格。数据磁盘单独留档，报告不妨改，数据不能改。
那一个月只加了一个习惯：先亮方法再亮结论。以「你每天重复最多的任务」为第一测试项。
没什么诀窍，就是每个数字都留了原始记录。分数保留一位小数就够了，假精度没有意义。这篇先到这，有新版本随时回来改。
06测试的边界
价格和权益变动快，下单前以官方页面为准。
口径统一后：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。
对照记录看：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：别用厂商给的演示样例，那是考过的题。以「你每天重复最多的任务」为第一测试项。
对照记录看：高峰期单独加测一轮，闲时成绩不算数。预算和需求不同，结论就不同，别滥用通用分。
07它做不到什么
缺点说清楚，优点才可信。
复测时发现：最有用的一条：允许结论被推翻。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。测试环境写进附录，是可复现的最低要求。
换个角度看：那一个月只加了一个习惯：先亮方法再亮结论。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。
08数据与样张
样张和回答原文都存了档，谁都不妨核对。
盲评环节里：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。
追问下去：第一周最大的发现，是高峰期和闲时能差出一倍。题目一半自编一半公开，防止套题。
对照记录看：具体说会议室的投屏旁那一轮：盲评顺序记错了一次，整组作废重来。数据磁盘单独留档，报告不妨改，数据不能改。先拿免费档试一周，再回来对答案。
“先说缺点，再谈优点。”
数据和短板都摆全了，放心引用。
常被问到的
- 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。
- 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。