Yi-Large季度复评高峰期稳定性适不适合你？对号入座
结论写在最前，方法全部公开，数据可复现。删掉了形容词，留下的都是核对过的数字。
下面这些，都是亲手测过才敢写。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01和同行摆一起
没什么诀窍，就是每个数字都留了原始记录。同题同参对决，胜负一目了然。
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。高峰期单独加测一轮，闲时成绩不算数。
值得单独说明：第一周最大的发现，是高峰期和闲时能差出一倍。只测一遍就下结论，等于没测。
账单摊开算：多花了一杯咖啡的时间核对来源，省下了一次翻车。深夜批处理和白天交互，测出来的延迟是两回事。
把账单折算表固定放在高峰期的早八工位，测试条件再没乱过。分数变化百分之五以内，视为人手误差。先拿免费档试一周，再回来对答案。
02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。把边界写明白，是评测的基本操守。
换个角度看：结论先行不是抢跑，是对读者时间的基本尊重。评测报告里最值钱的是失败记录。
那一个月只加了一个习惯：先亮方法再亮结论。只测一遍就下结论，等于没测。
盲评环节里：把复测排在同一道题五家轮流问后面，成了每季度的固定动作。官方榜单只当索引，不当证据。
试过更花哨的评测框架，最后退回一张表格。样张统一去水印、统一尺寸再进对比表。判定给完了，复测的事我们季度见。
- 三段计时 早中晚各一轮
- 折算会员 按用量算单价
- 分组出题 中文专项分五组
- 并用切换 双模型并行两周
03你问我答
追问最凶的几题，单独立项重测了。
把样本拉大后：现在回看，结论带着偏爱几乎是必然的。连续测七天，稳定性自己会现形。
具体说高峰期的早八工位那一轮：盲评顺序记错了一次，整组作废重来。题目一半自编一半公开，防止套题。
有个细节：同一道题五家轮流问的时候测，成绩稳定得多。以「你每天重复最多的任务」为第一测试项。
最有用的一条：允许结论被推翻。评测报告里最值钱的是失败记录。
04下一步
下期测它的直接对手，选题在评论区投票。
高峰期的早八工位的测试做完之后，整份报告都顺了。评测工具本身也要校准，尺子歪了全盘皆输。
多花了一杯咖啡的时间核对来源，省下了一次翻车。引用别人的数据必须标来源和测试条件。
换个角度看：当时随手存的原始输出，后来成了唯一的证据。测试环境写进附录，是可复现的最低要求。数据都在附录，不信就来复现。
05缺点不藏
具体说高峰期的早八工位那一轮：盲评顺序记错了一次，整组作废重来。失分的题逐条看了，原因不是能力是策略。
有个细节：同一道题五家轮流问的时候测，成绩稳定得多。分数保留一位小数就够了，假精度没有意义。
账单摊开算：当时手头只有账单折算表，照样把整轮测试跑完了。让没用过的人参与盲评，老手会被经验污染。
换个角度看：每组测试至少三遍，取中位数，抖动大就重测。题目一半自编一半公开，防止套题。
最有用的一条：允许结论被推翻。对比对象选同档热门，别拿小厂刷战绩。判定给完了，复测的事我们季度见。
06评测流程
最有用的一条：允许结论被推翻。环境与参数写在文末附录，欢迎一键复现。
复测时发现：预算和需求不同，结论就不同，别滥用通用分。付费档和免费档分开出成绩单。
先说反例：最有用的一条：允许结论被推翻。方法有缺陷就写进「已知局限」，别装没有。
换个角度看：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。报告末尾留一行勘误记录，错了就补。
07直接说答案
结论放在最前，是不想浪费你的时间。
对照记录看：很多人卡在选型不再凭感觉，说到底差的就是一轮复测。只测一遍就下结论，等于没测。
补充一组数据：那一个月只加了一个习惯：先亮方法再亮结论。给每篇评测定一个复核日期，到期强制回看。
实测中意外的是：那阵子选型不再凭感觉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适合谁
把账单折算表固定放在高峰期的早八工位，测试条件再没乱过。三类人适合，两类人别碰，对号入座。
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。别用厂商给的演示样例，那是考过的题。
口径统一后：最有用的一条：允许结论被推翻。给每个数字标上时间戳，三个月后还能对账。
值得单独说明：把复测排在同一道题五家轮流问后面，成了每季度的固定动作。价格按测试当天折算，注明汇率与活动。
五个评测维度的权重分布（参考）
只带走一句话的话：先看方法那一节。
这篇按勘误记录持续修订。
常被问到的
- Yi-Large季度复评高峰期稳定性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季度复评高峰期稳定性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。