我们用同一组题测了Yi-Large开学季横评古文翻译实测
盲评、复测、原始记录，三样都齐。删掉了形容词，留下的都是核对过的数字。
删掉了形容词，留下的都是核对过的数字。
01和同行摆一起
现在回看，结论带着偏爱几乎是必然的。对决结果有个反转，评论区先别吵。
对照记录看：第二季度复测，快了一倍，因为题库是现成的。价格按测试当天折算，注明汇率与活动。
账单摊开算：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。
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。高峰期单独加测一轮，闲时成绩不算数。
对照记录看：当时手头只有账单折算表，照样把整轮测试跑完了。别用厂商给的演示样例，那是考过的题。
02跟踪安排
季度复评已排上日程，同一组题再跑一遍。
把样本拉大后：以「你每天重复最多的任务」为第一测试项。评测期间不更新驱动不改配置，变量锁死。
实测中意外的是：有个细节：政策文本逐条划线的时候测，成绩稳定得多。结论压三天再发，是给自己留推翻的余地。
把账单折算表固定放在复评数据的表格间，测试条件再没乱过。以「你每天重复最多的任务」为第一测试项。
对照记录看：这事没捷径，只有不跳步。高峰期单独加测一轮，闲时成绩不算数。结论不妨质疑，方法随时欢迎检查。
03先给结论
结论放在最前，是不想浪费你的时间。
补充一组数据：复评数据的表格间的测试做完之后，整份报告都顺了。盲评时把品牌信息全部去掉，编号打乱。
账单摊开算：分数保留一位小数就够了，假精度没有意义。价格按测试当天折算，注明汇率与活动。
复测时发现：引用别人的数据必须标来源和测试条件。分数保留一位小数就够了，假精度没有意义。
- 分组出题 中文专项分五组
- 三段计时 早中晚各一轮
- 用满额度 上限亲手摸到
- 折算会员 按用量算单价
04测试的边界
结论只代表测试当天的版本，下个版本可能翻案。
把样本拉大后：连续测七天，稳定性自己会现形。深夜批处理和白天交互，测出来的延迟是两回事。
先说反例：那阵子免费档用到极致了是整份报告里最硬的一条。被推翻的结论不删除，划线存档并注明。
对照记录看：让没用过的人参与盲评，老手会被经验污染。每一项评分都要能追溯到原始记录。
先说反例：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。方法有缺陷就写进「已知局限」，别装没有。先拿免费档试一周，再回来对答案。
五个评测维度的权重分布（参考）
05缺点不藏
短板集中在两处，都有复现步骤。
口径统一后：样本量写清楚，十道题的结论撑不起「完胜」。测速脚本开源出来，接受同样的审视。
追问下去：方法有缺陷就写进「已知局限」，别装没有。报告末尾留一行勘误记录，错了就补。
复测时发现：给每篇评测定一个复核日期，到期强制回看。连续测七天，稳定性自己会现形。
盲评环节里：连续测七天，稳定性自己会现形。每一项评分都要能追溯到原始记录。
06什么人该用
把账单折算表固定放在复评数据的表格间，测试条件再没乱过。判断标准只有一条：你的高频任务是不是它的强项。
那一个月只加了一个习惯：先亮方法再亮结论。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
先说反例：评测期间不更新驱动不改配置，变量锁死。每一项评分都要能追溯到原始记录。
口径统一后：后来把题量压到「谁都能测完」的规模，反而坚持下来了。引用别人的数据必须标来源和测试条件。
先说反例：后来把题量压到「谁都能测完」的规模，反而坚持下来了。引用别人的数据必须标来源和测试条件。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 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 |
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
07测试方法
同一组题、同一台机器、同一套提示词，变量只剩模型。
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。
补充一组数据：那阵子免费档用到极致了是整份报告里最硬的一条。复测用同一组题，别换题，否则不叫复测。
值得单独说明：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。
08原始记录
表格里是全部原始成绩，没有挑拣。
追问下去：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。
这事没捷径，只有不跳步。高峰期单独加测一轮，闲时成绩不算数。
对照记录看：每一项评分都要能追溯到原始记录。结论压三天再发，是给自己留推翻的余地。
不着急下结论，题库随时开放。
有新版本我会回来更新这篇报告。
常被问到的
- Yi-Large开学季横评古文翻译实测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开学季横评古文翻译实测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。