Yi-Large与国产同行对比智能硬件联动的分数与体感，差多远
不接广告不恰饭，分数只对题目负责。
下面这些，都是亲手测过才敢写。
01它做不到什么
这几处翻车不是版本问题，短期内别指望修复。
值得单独说明：把账单折算表固定放在实测记录的本子旁，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。
账单摊开算：把「适合谁」写具体到岗位，别写「进阶用户」。失败的用例原样保留，那是报告的一半价值。
对照记录看：后来把题量压到「谁都能测完」的规模，反而坚持下来了。盲评时把品牌信息全部去掉，编号打乱。
- 三段计时 早中晚各一轮
- 用满额度 上限亲手摸到
- 分组出题 中文专项分五组
- 并用切换 双模型并行两周
02追问环节
第一周最大的发现，是高峰期和闲时能差出一倍。没答完的问题，留在下期继续。
那阵子切换成本算清了是整份报告里最硬的一条。样本量写清楚，十道题的结论撑不起「完胜」。
追问下去：结论与口碑冲突时，两头都重查一遍。评测工具本身也要校准，尺子歪了全盘皆输。
值得单独说明：方法有缺陷就写进「已知局限」，别装没有。客服响应也算进总分，售后是产品的一部分。
03口径说明
环境与参数写在文末附录，欢迎一键复现。
值得单独说明：当时随手存的原始输出，后来成了唯一的证据。数据磁盘单独留档，报告不妨改，数据不能改。
追问下去：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。
实测中意外的是：测试环境写进附录，是可复现的最低要求。测试环境写进附录，是可复现的最低要求。
对照记录看：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。
- 账单折算可复核
- 三时段各测过一轮
- 切换前并跑过两周
- 免费档用满才下结论
04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。
换个角度看：当时随手存的原始输出，后来成了唯一的证据。数据磁盘单独留档，报告不妨改，数据不能改。
追问下去：每组测试至少三遍，取中位数，抖动大就重测。盲评时把品牌信息全部去掉，编号打乱。
先说反例：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。
追问下去：把报告拆两半发，中途设了个勘误窗口。题目一半自编一半公开，防止套题。
05实测证据
失败的用例也放在这里，删掉它们就是造假。
现在回看，高峰期没测过几乎是必然的。评测工具本身也要校准，尺子歪了全盘皆输。
把样本拉大后：把报告拆两半发，中途设了个勘误窗口。给每篇评测定一个复核日期，到期强制回看。
补充一组数据：有个细节：免费档用满再下结论的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。
换个角度看：把账单折算表固定放在实测记录的本子旁，测试条件再没乱过。失败的用例原样保留，那是报告的一半价值。
七日实测成绩的波动
06人群画像
适不适合，取决于你每天重复最多的那件事。
盲评环节里：没什么诀窍，就是每个数字都留了原始记录。结论先行不是抢跑，是对读者时间的基本尊重。
追问下去：深夜批处理和白天交互，测出来的延迟是两回事。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。把对手的优点也写出来，报告才立得住。
07跟踪安排
有新版本就回来更新这篇，旧结论会标注存档。
实测中意外的是：当时手头只有账单折算表，照样把整轮测试跑完了。样张统一去水印、统一尺寸再进对比表。
实测中意外的是：给每篇评测定一个复核日期，到期强制回看。对比对象选同档热门，别拿小厂刷战绩。
那阵子切换成本算清了是整份报告里最硬的一条。评测期间不更新驱动不改配置，变量锁死。
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。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。
08对决结果
对比表在下面，每一格都能溯源到原始记录。
把样本拉大后：当时手头只有账单折算表，照样把整轮测试跑完了。样张统一去水印、统一尺寸再进对比表。
实测记录的本子旁的测试做完之后，整份报告都顺了。盲评时把品牌信息全部去掉，编号打乱。
复测时发现：结论与口碑冲突时，两头都重查一遍。分数变化百分之五以内，视为人手误差。
实测中意外的是：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。
只带走一句话的话：先看方法那一节。
常被问到的
- Yi-Large与国产同行对比智能硬件联动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。