Yi-Large连续使用一月语气分寸实测评测附录：原始数据全公开
每个数字都标了测试条件，欢迎复测。篇幅不长，每节都能独立引用。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01怎么测的
题目一半来自真实任务，一半来自公开基准，互相校验。
盲评环节里：官方榜单只当索引，不当证据。把「适合谁」写具体到岗位，别写「进阶用户」。
那一个月只加了一个习惯：先亮方法再亮结论。把对手的优点也写出来，报告才立得住。
账单摊开算：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。复测用同一组题，别换题，否则不叫复测。
补充一组数据：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。这篇先到这，有新版本随时回来改。
- 切换前并跑过两周
- 免费档用满才下结论
- 三时段各测过一轮
- 账单折算可复核
02它做不到什么
短板集中在两处，都有复现步骤。
口径统一后：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。
盲评环节里：引用别人的数据必须标来源和测试条件。样本量写清楚，十道题的结论撑不起「完胜」。
口径统一后：最有用的一条：允许结论被推翻。分数保留一位小数就够了，假精度没有意义。
03追问环节
第二季度复测，快了一倍，因为题库是现成的。问答区不删差评，删了的才值得警惕。
对照记录看：复评数据的表格间的测试做完之后，整份报告都顺了。引用别人的数据必须标来源和测试条件。
盲评环节里：引用别人的数据必须标来源和测试条件。别用厂商给的演示样例，那是考过的题。
账单摊开算：数据磁盘单独留档，报告不妨改，数据不能改。结论压三天再发，是给自己留推翻的余地。
盲评环节里：只测一遍就下结论，等于没测。每一项评分都要能追溯到原始记录。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 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 |
| 切换 | 双模型并跑两周 | 当天切换 | 有并用记录 |
04得分明细
失败的用例也放在这里，删掉它们就是造假。
值得单独说明：付费档和免费档分开出成绩单。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
复测时发现：只测一遍就下结论，等于没测。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：数据磁盘单独留档，报告不妨改，数据不能改。评测工具本身也要校准，尺子歪了全盘皆输。
盲评环节里：评测工具本身也要校准，尺子歪了全盘皆输。结论先行不是抢跑，是对读者时间的基本尊重。先拿免费档试一周，再回来对答案。
05总判定
试过更花哨的评测框架，最后退回一张表格。答案不绕弯，证据在后面逐条摆。
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。分数保留一位小数就够了，假精度没有意义。
第二季度复测，快了一倍，因为题库是现成的。预算和需求不同，结论就不同，别滥用通用分。
盲评环节里：高峰期单独加测一轮，闲时成绩不算数。评测报告里最值钱的是失败记录。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）
06对号入座
后来把题量压到「谁都能测完」的规模，反而坚持下来了。画像列在下面，越靠前匹配度越高。
实测中意外的是：后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论先行不是抢跑，是对读者时间的基本尊重。
先说反例：试过更花哨的评测框架，最后退回一张表格。长期订阅前，先看它最近两季的更新日志。
账单摊开算：把切换清单固定放在复评数据的表格间，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。
换个角度看：那阵子高峰期心里有数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。
07横向相对而言
对手选的是同档最热的三款，输了不冤赢了不虚。
实测中意外的是：最有用的一条：允许结论被推翻。付费档和免费档分开出成绩单。
盲评环节里：很多人卡在高峰期心里有数，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。
复测时发现：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。
08留一个尾巴
下期测它的直接对手，选题在评论区投票。
复测时发现：那一个月只加了一个习惯：先亮方法再亮结论。题目一半自编一半公开，防止套题。
补充一组数据：最有用的一条：允许结论被推翻。测试环境写进附录，是可复现的最低要求。
值得单独说明：评测期间不更新驱动不改配置，变量锁死。测试环境写进附录，是可复现的最低要求。
复测时发现：第一周最大的发现，是高峰期和闲时能差出一倍。题目一半自编一半公开，防止套题。
下个版本出来，这篇会被重新核对一遍。
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连续使用一月语气分寸实测企业接入前要做哪些评测？
- 四项：高峰稳定性、数据合规、成本单价、员工众测满意度。任何一项不过关，功能再强也要缓一缓。
- Yi-Large连续使用一月语气分寸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。
- Yi-Large值得年度会员吗？
- 先月付跑满一个月，把使用次数和场景记下来。月均使用超过二十天再考虑年付，否则按量或月付更稳。