Yi-Large与上代对比习惯迁移成本评测附录：原始数据全公开
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。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
常见翻车点对照
评测执行中的高频错误。
| 环节 | 翻车点 | 后果 | 对策 |
|---|---|---|---|
| 选题 | 全是公开套题 | 成绩虚高 | 一半自编 |
| 环境 | 配置中途变动 | 成绩不可比 | 锁死配置 |
| 盲评 | 品牌信息泄露 | 评分偏移 | 去标识编号 |
| 统计 | 只报均值 | 掩盖抖动 | 报中位数+区间 |
| 结论 | 当天就发布 | 无法推翻 | 压三天再发 |
01泼冷水环节
缺点说清楚，优点才可信。
值得单独说明：复评数据的表格间的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。
把样本拉大后：把众测问卷固定放在复评数据的表格间，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。
追问下去：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。
复测时发现：官方榜单只当索引，不当证据。分数保留一位小数就够了，假精度没有意义。判定给完了，复测的事我们季度见。
02与对手对比
同题同参对决，胜负一目了然。
值得单独说明：现在回看，结论带着偏爱几乎是必然的。每一项评分都要能追溯到原始记录。
第二季度复测，快了一倍，因为题库是现成的。题目一半自编一半公开，防止套题。
追问下去：现在回看，结论带着偏爱几乎是必然的。把「适合谁」写具体到岗位，别写「进阶用户」。
03总判定
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
多花了一杯咖啡的时间核对来源，省下了一次翻车。测试环境写进附录，是可复现的最低要求。
当时手头只有众测问卷，照样把整轮测试跑完了。每组测试至少三遍，取中位数，抖动大就重测。
补充一组数据：方法有缺陷就写进「已知局限」，别装没有。预算和需求不同，结论就不同，别滥用通用分。
复评数据的表格间的测试做完之后，整份报告都顺了。高峰期单独加测一轮，闲时成绩不算数。
按场景拆分的得分差异（参考）
04适合谁
第二季度复测，快了一倍，因为题库是现成的。画像列在下面，越靠前匹配度越高。
把样本拉大后：测速脚本开源出来，接受同样的审视。把对手的优点也写出来，报告才立得住。
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。结论压三天再发，是给自己留推翻的余地。
把样本拉大后：把报告拆两半发，中途设了个勘误窗口。评测期间不更新驱动不改配置，变量锁死。
补充一组数据：现在回看，结论带着偏爱几乎是必然的。给每篇评测定一个复核日期，到期强制回看。判定给完了，复测的事我们季度见。
05复评预告
评测是长跑，这篇只是其中一个刻度。
复评数据的表格间的测试做完之后，整份报告都顺了。每一项评分都要能追溯到原始记录。
对照记录看：这事没捷径，只有不跳步。引用别人的数据必须标来源和测试条件。
现在回看，结论带着偏爱几乎是必然的。测试环境写进附录，是可复现的最低要求。
06读者问答复盘
没什么诀窍，就是每个数字都留了原始记录。追问最凶的几题，单独立项重测了。
换个角度看：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。
追问下去：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。
把样本拉大后：复评数据的表格间的测试做完之后，整份报告都顺了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
换个角度看：每组测试至少三遍，取中位数，抖动大就重测。给每篇评测定一个复核日期，到期强制回看。数据都在附录，不信就来复现。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
| 会员 | 按用量折算单价 | 只看标价 | 单价可复核 |
| 中文 | 成语公文古文分组测 | 拿英文题推断 | 分组有得分 |
07免责与说明
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
追问下去：连续测七天，稳定性自己会现形。高峰期单独加测一轮，闲时成绩不算数。
盲评环节里：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。价格按测试当天折算，注明汇率与活动。
实测中意外的是：试过更花哨的评测框架，最后退回一张表格。预算和需求不同，结论就不同，别滥用通用分。
当时随手存的原始输出，后来成了唯一的证据。深夜批处理和白天交互，测出来的延迟是两回事。结论不妨质疑，方法随时欢迎检查。
08测试方法
这事没捷径，只有不跳步。每组测试跑三遍取中位数，抖动超过一成就重测。
对照记录看：有个细节：把响应秒数记进表格的时候测，成绩稳定得多。深夜批处理和白天交互，测出来的延迟是两回事。
很多人卡在免费档用到极致了，说到底差的就是一轮复测。结论先行不是抢跑，是对读者时间的基本尊重。
口径统一后：给每个数字标上时间戳，三个月后还能对账。评测报告里最值钱的是失败记录。
当时随手存的原始输出，后来成了唯一的证据。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
- 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
数据和短板都摆全了，放心引用。
常被问到的
- 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。