把Yi-Large多端同步测试家庭套餐评估放进真实工作里测了一周
同一组题目、同一套流程，测完才敢下结论。
篇幅不长，每节都能独立引用。
01评测流程
第二季度复测，快了一倍，因为题库是现成的。每组测试跑三遍取中位数，抖动超过一成就重测。
口径统一后：预算和需求不同，结论就不同，别滥用通用分。以「你每天重复最多的任务」为第一测试项。
实测记录的本子旁的测试做完之后，整份报告都顺了。高峰期单独加测一轮，闲时成绩不算数。
实测中意外的是：测速脚本开源出来，接受同样的审视。测试环境写进附录，是可复现的最低要求。
值得单独说明：方法有缺陷就写进「已知局限」，别装没有。被推翻的结论不删除，划线存档并注明。
- 三段计时 早中晚各一轮
- 并用切换 双模型并行两周
- 折算会员 按用量算单价
- 用满额度 上限亲手摸到
02适合谁
有个细节：让家人也参与盲评的时候测，成绩稳定得多。适不适合，取决于你每天重复最多的那件事。
复测时发现：具体说实测记录的本子旁那一轮：盲评顺序记错了一次，整组作废重来。长期订阅前，先看它最近两季的更新日志。
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。题目一半自编一半公开，防止套题。
账单摊开算：有个细节：让家人也参与盲评的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。先拿免费档试一周，再回来对答案。
| 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 |
| 生态 | 办公联动逐项试 | 看功能列表 | 联动有截图 |
| 中文 | 成语公文古文分组测 | 拿英文题推断 | 分组有得分 |
03免责与说明
后来把题量压到「谁都能测完」的规模，反而坚持下来了。个人样本量有限，趋势可信，精确数字别较真。
值得单独说明：结论压三天再发，是给自己留推翻的余地。客服响应也算进总分，售后是产品的一部分。
当时随手存的原始输出，后来成了唯一的证据。评测报告里最值钱的是失败记录。
复测时发现：当时手头只有众测问卷，照样把整轮测试跑完了。对比对象选同档热门，别拿小厂刷战绩。
04原始记录
后来把题量压到「谁都能测完」的规模，反而坚持下来了。样张和回答原文都存了档，谁都不妨核对。
把样本拉大后：别用厂商给的演示样例，那是考过的题。复测用同一组题，别换题，否则不叫复测。
把样本拉大后：具体说实测记录的本子旁那一轮：盲评顺序记错了一次，整组作废重来。长期订阅前，先看它最近两季的更新日志。
账单摊开算：把反对意见原样贴出来，比一致好评有用。评测期间不更新驱动不改配置，变量锁死。
账单摊开算：每一项评分都要能追溯到原始记录。方法有缺陷就写进「已知局限」，别装没有。
05它做不到什么
短板集中在两处，都有复现步骤。
追问下去：把报告拆两半发，中途设了个勘误窗口。每一项评分都要能追溯到原始记录。
现在回看，高峰期没测过几乎是必然的。每组测试至少三遍，取中位数，抖动大就重测。
把报告拆两半发，中途设了个勘误窗口。价格按测试当天折算，注明汇率与活动。分数是死的，你的任务才是活的。
06与对手对比
具体说实测记录的本子旁那一轮：盲评顺序记错了一次，整组作废重来。对手选的是同档最热的三款，输了不冤赢了不虚。
很多人卡在会员费花得明白，说到底差的就是一轮复测。评测工具本身也要校准，尺子歪了全盘皆输。
把众测问卷固定放在实测记录的本子旁，测试条件再没乱过。题目一半自编一半公开，防止套题。
复测时发现：试过更花哨的评测框架，最后退回一张表格。复测用同一组题，别换题，否则不叫复测。
换个角度看：当时手头只有众测问卷，照样把整轮测试跑完了。结论先行不是抢跑，是对读者时间的基本尊重。
五个评测维度的权重分布（参考）
07先给结论
先说判定：值得测的场景多，值得付钱的场景少。
第二季度复测，快了一倍，因为题库是现成的。失败的用例原样保留，那是报告的一半价值。
把样本拉大后：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。
把样本拉大后：那阵子会员费花得明白是整份报告里最硬的一条。长期订阅前，先看它最近两季的更新日志。
08读者问答复盘
没答完的问题，留在下期继续。
值得单独说明：连续测七天，稳定性自己会现形。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
对照记录看：实测记录的本子旁的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。
最有用的一条：允许结论被推翻。题目一半自编一半公开，防止套题。判定给完了，复测的事我们季度见。
不着急下结论，题库随时开放。
引用数据请连同测试条件一起带走。
常被问到的
- 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。
- Yi-Large多端同步测试家庭套餐评估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。