不看广告看疗效：Yi-Large与国产同行对比标点排版实测实测

这篇按评测的顺序写：结论、方法、数据、短板、适配。

篇幅不长，每节都能独立引用。

01留一个尾巴

本期未尽事项列了清单，逐项跟进。

试过更花哨的评测框架，最后退回一张表格。结论压三天再发，是给自己留推翻的余地。

第一周最大的发现，是高峰期和闲时能差出一倍。给每个数字标上时间戳，三个月后还能对账。

复测时发现：分数保留一位小数就够了，假精度没有意义。结论压三天再发，是给自己留推翻的余地。

换个角度看：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。判定给完了，复测的事我们季度见。

02原始记录

每项得分都标了测试时间和条件。

值得单独说明：别用厂商给的演示样例，那是考过的题。数据磁盘单独留档，报告不妨改，数据不能改。

实测中意外的是：很多人卡在会员费花得明白，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。

当时手头只有切换清单，照样把整轮测试跑完了。评测期间不更新驱动不改配置，变量锁死。

换个角度看：盲评时把品牌信息全部去掉，编号打乱。让没用过的人参与盲评，老手会被经验污染。判定给完了，复测的事我们季度见。

03和同行摆一起

当时手头只有切换清单，照样把整轮测试跑完了。总分接近时，看分项：你的主力场景赢的才算赢。

第二季度复测，快了一倍，因为题库是现成的。结论与口碑冲突时，两头都重查一遍。

值得单独说明：样本量写清楚，十道题的结论撑不起「完胜」。客服响应也算进总分，售后是产品的一部分。

复评数据的表格间的测试做完之后，整份报告都顺了。对比对象选同档热门，别拿小厂刷战绩。

追问下去：有个细节：让家人也参与盲评的时候测，成绩稳定得多。每组测试至少三遍，取中位数，抖动大就重测。

04口径说明

复评数据的表格间的测试做完之后，整份报告都顺了。方法不公开的评测都是印象分。

值得单独说明：第二季度复测，快了一倍，因为题库是现成的。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。深夜批处理和白天交互，测出来的延迟是两回事。

追问下去：分数变化百分之五以内，视为人手误差。结论先行不是抢跑，是对读者时间的基本尊重。

05高频八问

没什么诀窍，就是每个数字都留了原始记录。问答区不删差评，删了的才值得警惕。

多花了一杯咖啡的时间核对来源，省下了一次翻车。评测期间不更新驱动不改配置，变量锁死。

把样本拉大后：价格按测试当天折算，注明汇率与活动。深夜批处理和白天交互，测出来的延迟是两回事。

口径统一后：预算和需求不同，结论就不同，别滥用通用分。报告末尾留一行勘误记录，错了就补。

当时手头只有切换清单，照样把整轮测试跑完了。预算和需求不同，结论就不同，别滥用通用分。

06一句话判定

先亮结论，不认同的不妨直接跳到方法那一节来挑刺。

先说反例：方法有缺陷就写进「已知局限」，别装没有。评测工具本身也要校准，尺子歪了全盘皆输。

试过更花哨的评测框架，最后退回一张表格。题目一半自编一半公开，防止套题。

追问下去：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。

07失分点分析

第二季度复测，快了一倍，因为题库是现成的。这几处翻车不是版本问题，短期内别指望修复。

对照记录看：盲评时把品牌信息全部去掉，编号打乱。测速脚本开源出来，接受同样的审视。

复测时发现：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。

复测时发现：多花了一杯咖啡的时间核对来源，省下了一次翻车。客服响应也算进总分，售后是产品的一部分。

口径统一后：现在回看，政策没读就接入几乎是必然的。测速脚本开源出来，接受同样的审视。

08什么人该用

没有全能选手，只有匹配与否。

追问下去：当时随手存的原始输出，后来成了唯一的证据。分数变化百分之五以内，视为人手误差。

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。连续测七天，稳定性自己会现形。

这事没捷径，只有不跳步。别用厂商给的演示样例，那是考过的题。

当时手头只有切换清单，照样把整轮测试跑完了。只测一遍就下结论，等于没测。数据都在附录，不信就来复现。

只带走一句话的话：先看方法那一节。

有新版本我会回来更新这篇报告。

柳握瑜

AIGC 设计工作室主理人，同题对决测到吐。写实测的真实短板，不吹也不黑。

这位评测人的其他实测 →