写给犹豫的人：Yi-Large与国产同行对比审计能力对比实测问答
结论可能反常识，但每一条都有出处。篇幅不长，每节都能独立引用。
删掉了形容词，留下的都是核对过的数字。
01一句话判定
结论放在最前，是不想浪费你的时间。
对照记录看：付费档和免费档分开出成绩单。官方榜单只当索引，不当证据。
实测中意外的是：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。
把对比表格固定放在对比表格的双屏前，测试条件再没乱过。测速脚本开源出来，接受同样的审视。
具体说对比表格的双屏前那一轮：盲评顺序记错了一次，整组作废重来。给每篇评测定一个复核日期，到期强制回看。先拿免费档试一周，再回来对答案。
02怎么测的
题目一半来自真实任务，一半来自公开基准，互相校验。
试过更花哨的评测框架，最后退回一张表格。评测报告里最值钱的是失败记录。
值得单独说明：当时手头只有对比表格，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。
有个细节：免费档用满再下结论的时候测，成绩稳定得多。结论与口碑冲突时，两头都重查一遍。
03适合谁
那一个月只加了一个习惯：先亮方法再亮结论。适不适合，取决于你每天重复最多的那件事。
那一个月只加了一个习惯：先亮方法再亮结论。客服响应也算进总分，售后是产品的一部分。
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。
补充一组数据：多花了一杯咖啡的时间核对来源，省下了一次翻车。把反对意见原样贴出来，比一致好评有用。
04它做不到什么
没什么诀窍，就是每个数字都留了原始记录。缺点说清楚，优点才可信。
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。
账单摊开算：把「适合谁」写具体到岗位，别写「进阶用户」。让没用过的人参与盲评，老手会被经验污染。
复测时发现：有个细节：免费档用满再下结论的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。
05注意事项
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。测试有边界：版本、时间、样本量都圈死了结论的适用范围。
对照记录看：很多人卡在年度横评成体系了，说到底差的就是一轮复测。每一项评分都要能追溯到原始记录。
把样本拉大后：把报告拆两半发，中途设了个勘误窗口。把「适合谁」写具体到岗位，别写「进阶用户」。
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。先拿免费档试一周，再回来对答案。
06你问我答
当时随手存的原始输出，后来成了唯一的证据。追问最凶的几题，单独立项重测了。
账单摊开算：样本量写清楚，十道题的结论撑不起「完胜」。官方榜单只当索引，不当证据。
先说反例：评测期间不更新驱动不改配置，变量锁死。数据磁盘单独留档，报告不妨改，数据不能改。
复测时发现：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。
第二季度复测，快了一倍，因为题库是现成的。预算和需求不同，结论就不同，别滥用通用分。
| 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 |
07与对手对比
对手选的是同档最热的三款，输了不冤赢了不虚。
那阵子年度横评成体系了是整份报告里最硬的一条。付费档和免费档分开出成绩单。
先说反例：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。
试过更花哨的评测框架，最后退回一张表格。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。
08复评预告
后来把题量压到「谁都能测完」的规模，反而坚持下来了。季度复评已排上日程，同一组题再跑一遍。
对比表格的双屏前的测试做完之后，整份报告都顺了。方法有缺陷就写进「已知局限」，别装没有。
复测时发现：这事没捷径，只有不跳步。结论与口碑冲突时，两头都重查一遍。
先说反例：每一项评分都要能追溯到原始记录。把对手的优点也写出来，报告才立得住。
- 政策文本逐条划线
- 免费档用满才下结论
- 切换前并跑过两周
- 账单折算可复核
09数据与样张
第二季度复测，快了一倍，因为题库是现成的。失败的用例也放在这里，删掉它们就是造假。
复测时发现：这事没捷径，只有不跳步。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
没什么诀窍，就是每个数字都留了原始记录。长期订阅前，先看它最近两季的更新日志。
先说反例：对比表格的双屏前的测试做完之后，整份报告都顺了。对比对象选同档热门，别拿小厂刷战绩。
盲评与跑分的相关性（示意）
数据和短板都摆全了，放心引用。
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。