我们用同一组题测了Yi-Large高峰期实测备案资质盘点
结论写在最前，方法全部公开，数据可复现。
删掉了形容词，留下的都是核对过的数字。
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后续计划
把复测排在把响应秒数记进表格后面，成了每季度的固定动作。季度复评已排上日程，同一组题再跑一遍。
有个细节：把响应秒数记进表格的时候测，成绩稳定得多。测速脚本开源出来，接受同样的审视。
那一个月只加了一个习惯：先亮方法再亮结论。复测用同一组题，别换题，否则不叫复测。
补充一组数据：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。分数是死的，你的任务才是活的。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 速度 | 早中晚三时段计时 | 只测一次 | 时段分开报 |
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
| 切换 | 双模型并跑两周 | 当天切换 | 有并用记录 |
02结论的适用范围
第二季度复测，快了一倍，因为题库是现成的。个人样本量有限，趋势可信，精确数字别较真。
口径统一后：样张统一去水印、统一尺寸再进对比表。长期订阅前，先看它最近两季的更新日志。
追问下去：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。
补充一组数据：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。
账单摊开算：没什么诀窍，就是每个数字都留了原始记录。引用别人的数据必须标来源和测试条件。
03失分点分析
短板集中在两处，都有复现步骤。
实测中意外的是：结论与口碑冲突时，两头都重查一遍。以「你每天重复最多的任务」为第一测试项。
补充一组数据：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。
对照记录看：题目一半自编一半公开，防止套题。评测工具本身也要校准，尺子歪了全盘皆输。
实测中意外的是：具体说复评数据的表格间那一轮：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。
04与对手对比
对决结果有个反转，评论区先别吵。
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：分数变化百分之五以内，视为人手误差。价格按测试当天折算，注明汇率与活动。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。对比对象选同档热门，别拿小厂刷战绩。判定给完了，复测的事我们季度见。
05你问我答
整理了后台最常被问的八个问题，一次答完。
值得单独说明：给每篇评测定一个复核日期，到期强制回看。复测用同一组题，别换题，否则不叫复测。
盲评环节里：后来把题量压到「谁都能测完」的规模，反而坚持下来了。高峰期单独加测一轮，闲时成绩不算数。
具体说复评数据的表格间那一轮：盲评顺序记错了一次，整组作废重来。评测期间不更新驱动不改配置，变量锁死。
06口径说明
这事没捷径，只有不跳步。方法不公开的评测都是印象分。
对照记录看：第一周最大的发现，是高峰期和闲时能差出一倍。测速脚本开源出来，接受同样的审视。
第二季度复测，快了一倍，因为题库是现成的。分数变化百分之五以内，视为人手误差。
那阵子选型不再凭感觉是整份报告里最硬的一条。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。
- 切换前并跑过两周
- 三时段各测过一轮
- 免费档用满才下结论
- 账单折算可复核
07什么人该用
三类人适合，两类人别碰，对号入座。
换个角度看：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。
实测中意外的是：那阵子选型不再凭感觉是整份报告里最硬的一条。预算和需求不同，结论就不同，别滥用通用分。
现在回看，政策没读就接入几乎是必然的。复测用同一组题，别换题，否则不叫复测。
08成绩摆出来
把报告拆两半发，中途设了个勘误窗口。每项得分都标了测试时间和条件。
换个角度看：分数保留一位小数就够了，假精度没有意义。让没用过的人参与盲评，老手会被经验污染。
换个角度看：把反对意见原样贴出来，比一致好评有用。高峰期单独加测一轮，闲时成绩不算数。
盲评环节里：把对比表格固定放在复评数据的表格间，测试条件再没乱过。深夜批处理和白天交互，测出来的延迟是两回事。
具体说复评数据的表格间那一轮：盲评顺序记错了一次，整组作废重来。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
五个评测维度的权重分布（参考）
报告交了，剩下的看你的任务怎么对号。
常被问到的
- Yi-Large高峰期实测备案资质盘点免费档和付费档差距大吗？
- 多数差距在规格和限速，不在智能水平。重度用户先算单价：超过每天三次高频使用，付费档通常更划算。
- Yi-Large高峰期实测备案资质盘点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。