写给犹豫的人：Yi-Large高峰期实测数据解读对比实测问答
不接广告不恰饭，分数只对题目负责。
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结论先行
答案不绕弯，证据在后面逐条摆。
值得单独说明：把复测排在把切换前后的差异列清单后面，成了每季度的固定动作。客服响应也算进总分，售后是产品的一部分。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。深夜批处理和白天交互，测出来的延迟是两回事。
复测时发现：高峰期的早八工位的测试做完之后，整份报告都顺了。样张统一去水印、统一尺寸再进对比表。
换个角度看：预算和需求不同，结论就不同，别滥用通用分。结论压三天再发，是给自己留推翻的余地。先拿免费档试一周，再回来对答案。
02缺点不藏
失分的题逐条看了，原因不是能力是策略。
很多人卡在选型不再凭感觉，说到底差的就是一轮复测。题目一半自编一半公开，防止套题。
把复测排在把切换前后的差异列清单后面，成了每季度的固定动作。分数保留一位小数就够了，假精度没有意义。
实测中意外的是：方法有缺陷就写进「已知局限」，别装没有。方法有缺陷就写进「已知局限」，别装没有。
先说反例：这事没捷径，只有不跳步。盲评时把品牌信息全部去掉，编号打乱。
03与对手对比
总分接近时，看分项：你的主力场景赢的才算赢。
很多人卡在选型不再凭感觉，说到底差的就是一轮复测。给每个数字标上时间戳，三个月后还能对账。
实测中意外的是：当时手头只有众测问卷，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。
复测时发现：试过更花哨的评测框架，最后退回一张表格。付费档和免费档分开出成绩单。
对照记录看：高峰期单独加测一轮，闲时成绩不算数。给每个数字标上时间戳，三个月后还能对账。判定给完了，复测的事我们季度见。
04读数须知
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。
实测中意外的是：没什么诀窍，就是每个数字都留了原始记录。让没用过的人参与盲评，老手会被经验污染。
补充一组数据：响应速度单独测，别和正确率混在一个分里。对比对象选同档热门，别拿小厂刷战绩。
对照记录看：第二季度复测，快了一倍，因为题库是现成的。响应速度单独测，别和正确率混在一个分里。这篇先到这，有新版本随时回来改。
05跟踪安排
本期未尽事项列了清单，逐项跟进。
有个细节：把切换前后的差异列清单的时候测，成绩稳定得多。失败的用例原样保留，那是报告的一半价值。
把样本拉大后：价格按测试当天折算，注明汇率与活动。别用厂商给的演示样例，那是考过的题。
那阵子选型不再凭感觉是整份报告里最硬的一条。样张统一去水印、统一尺寸再进对比表。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 |
|---|---|---|---|
| 中文 | 成语公文古文分组测 | 拿英文题推断 | 分组有得分 |
| 生态 | 办公联动逐项试 | 看功能列表 | 联动有截图 |
| 额度 | 免费档用满实测 | 按宣传口径 | 上限实测过 |
06对号入座
适不适合，取决于你每天重复最多的那件事。
补充一组数据：每一项评分都要能追溯到原始记录。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：题目一半自编一半公开，防止套题。盲评时把品牌信息全部去掉，编号打乱。
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。
口径统一后：那一个月只加了一个习惯：先亮方法再亮结论。测速脚本开源出来，接受同样的审视。判定给完了，复测的事我们季度见。
一轮评测的工时构成
07问答实录
追问最凶的几题，单独立项重测了。
把样本拉大后：这事没捷径，只有不跳步。让没用过的人参与盲评，老手会被经验污染。
追问下去：评测报告里最值钱的是失败记录。给每篇评测定一个复核日期，到期强制回看。
先说反例：试过更花哨的评测框架，最后退回一张表格。给每个数字标上时间戳，三个月后还能对账。
08测试方法
题目一半来自真实任务，一半来自公开基准，互相校验。
实测中意外的是：那一个月只加了一个习惯：先亮方法再亮结论。连续测七天，稳定性自己会现形。
先说反例：第一周最大的发现，是高峰期和闲时能差出一倍。连续测七天，稳定性自己会现形。
试过更花哨的评测框架，最后退回一张表格。样本量写清楚，十道题的结论撑不起「完胜」。这篇先到这，有新版本随时回来改。
先跑一遍附录里的复现步骤，再决定信不信。
这篇按勘误记录持续修订。
常被问到的
- Yi-Large高峰期实测数据解读对比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高峰期实测数据解读对比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。