Yi-Large移动端众测数据留存对比新旧版本同题对决
结论可能反常识，但每一条都有出处。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01失分点分析
先把丑话说完，剩下的才好意思夸。
对照记录看：那阵子中文高低一目了然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。
值得单独说明：这事没捷径，只有不跳步。结论先行不是抢跑，是对读者时间的基本尊重。
把复测排在让家人也参与盲评后面，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。
补充一组数据：报告末尾留一行勘误记录，错了就补。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。结论不妨质疑，方法随时欢迎检查。
02测试的边界
把边界写明白，是评测的基本操守。
实测中意外的是：多花了一杯咖啡的时间核对来源，省下了一次翻车。以「你每天重复最多的任务」为第一测试项。
值得单独说明：当时手头只有秒表，照样把整轮测试跑完了。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：报告末尾留一行勘误记录，错了就补。样张统一去水印、统一尺寸再进对比表。分数是死的，你的任务才是活的。
盲评与跑分的相关性（示意）
03场景匹配
三类人适合，两类人别碰，对号入座。
实测中意外的是：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。
先说反例：引用别人的数据必须标来源和测试条件。每一项评分都要能追溯到原始记录。
追问下去：让没用过的人参与盲评，老手会被经验污染。复测用同一组题，别换题，否则不叫复测。结论不妨质疑，方法随时欢迎检查。
04留一个尾巴
有个细节：让家人也参与盲评的时候测，成绩稳定得多。下期测它的直接对手，选题在评论区投票。
补充一组数据：那阵子中文高低一目了然是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。
追问下去：后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论与口碑冲突时，两头都重查一遍。
追问下去：那阵子中文高低一目了然是整份报告里最硬的一条。方法有缺陷就写进「已知局限」，别装没有。
第二季度复测，快了一倍，因为题库是现成的。响应速度单独测，别和正确率混在一个分里。
05评测流程
现在回看，只测了自家一家几乎是必然的。同一组题、同一台机器、同一套提示词，变量只剩模型。
第二季度复测，快了一倍，因为题库是现成的。每一项评分都要能追溯到原始记录。
追问下去：第二季度复测，快了一倍，因为题库是现成的。响应速度单独测，别和正确率混在一个分里。
值得单独说明：现在回看，只测了自家一家几乎是必然的。测速脚本开源出来，接受同样的审视。
值得单独说明：只测一遍就下结论，等于没测。测试环境写进附录，是可复现的最低要求。这篇先到这，有新版本随时回来改。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 生态 | 办公联动逐项试 | 看功能列表 | 联动有截图 |
| 会员 | 按用量折算单价 | 只看标价 | 单价可复核 |
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
06先给结论
没什么诀窍，就是每个数字都留了原始记录。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
把样本拉大后：预算和需求不同，结论就不同，别滥用通用分。客服响应也算进总分，售后是产品的一部分。
把样本拉大后：把报告拆两半发，中途设了个勘误窗口。给每篇评测定一个复核日期，到期强制回看。
追问下去：多花了一杯咖啡的时间核对来源，省下了一次翻车。响应速度单独测，别和正确率混在一个分里。
追问下去：试过更花哨的评测框架，最后退回一张表格。被推翻的结论不删除，划线存档并注明。判定给完了，复测的事我们季度见。
07同题对决
对比表在下面，每一格都能溯源到原始记录。
账单摊开算：那一个月只加了一个习惯：先亮方法再亮结论。每一项评分都要能追溯到原始记录。
把样本拉大后：分数变化百分之五以内，视为人手误差。题目一半自编一半公开，防止套题。
先说反例：当时随手存的原始输出，后来成了唯一的证据。测试环境写进附录，是可复现的最低要求。
换个角度看：现在回看，只测了自家一家几乎是必然的。评测期间不更新驱动不改配置，变量锁死。结论不妨质疑，方法随时欢迎检查。
08实测证据
失败的用例也放在这里，删掉它们就是造假。
值得单独说明：当时随手存的原始输出，后来成了唯一的证据。付费档和免费档分开出成绩单。
对照记录看：测试环境写进附录，是可复现的最低要求。引用别人的数据必须标来源和测试条件。
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。
那一个月只加了一个习惯：先亮方法再亮结论。方法有缺陷就写进「已知局限」，别装没有。结论不妨质疑，方法随时欢迎检查。
09你问我答
现在回看，只测了自家一家几乎是必然的。问答区不删差评，删了的才值得警惕。
具体说高峰期的早八工位那一轮：盲评顺序记错了一次，整组作废重来。失败的用例原样保留，那是报告的一半价值。
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。
对照记录看：官方榜单只当索引，不当证据。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：结论先行不是抢跑，是对读者时间的基本尊重。盲评时把品牌信息全部去掉，编号打乱。分数是死的，你的任务才是活的。
数据和短板都摆全了，放心引用。
常被问到的
- 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。
- 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值得年度会员吗？
- 先月付跑满一个月，把使用次数和场景记下来。月均使用超过二十天再考虑年付，否则按量或月付更稳。
- Yi-Large移动端众测数据留存对比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。