这一轮Yi-Large开学季横评邮件起草对比实测，翻车了吗
结论写在最前，方法全部公开，数据可复现。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
评测维度速查表
五个维度各自测什么。
| 维度 | 测什么 | 怎么测 | 权重参考 |
|---|---|---|---|
| 质量 | 回答正确与可用 | 盲评打分 | 40% |
| 速度 | 响应与首字延迟 | 计时取中位数 | 20% |
| 成本 | 单价与额度 | 账单折算 | 25% |
| 稳定 | 高峰与长跑表现 | 连续七日记录 | 10% |
| 生态 | 接口与联动 | 功能清单核对 | 5% |
01留一个尾巴
当时手头只有政策摘录，照样把整轮测试跑完了。下期测它的直接对手，选题在评论区投票。
复测时发现：复测用同一组题，别换题，否则不叫复测。把反对意见原样贴出来，比一致好评有用。
值得单独说明：多花了一杯咖啡的时间核对来源，省下了一次翻车。客服响应也算进总分，售后是产品的一部分。
换个角度看：那一个月只加了一个习惯：先亮方法再亮结论。评测期间不更新驱动不改配置，变量锁死。分数是死的，你的任务才是活的。
按场景拆分的得分差异（参考）
02和同行摆一起
对决结果有个反转，评论区先别吵。
追问下去：报告末尾留一行勘误记录，错了就补。高峰期单独加测一轮，闲时成绩不算数。
实测中意外的是：现在回看，只测了自家一家几乎是必然的。题目一半自编一半公开，防止套题。
口径统一后：很多人卡在会员费花得明白，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。
03先亮方法
每组测试跑三遍取中位数，抖动超过一成就重测。
那一个月只加了一个习惯：先亮方法再亮结论。对比对象选同档热门，别拿小厂刷战绩。
账单摊开算：只测一遍就下结论，等于没测。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
账单摊开算：结论压三天再发，是给自己留推翻的余地。报告末尾留一行勘误记录，错了就补。数据都在附录，不信就来复现。
04成绩摆出来
数据先摆事实：强项强多少，弱项弱多少。
换个角度看：没什么诀窍，就是每个数字都留了原始记录。样张统一去水印、统一尺寸再进对比表。
值得单独说明：把政策摘录固定放在通勤路上的手机屏前，测试条件再没乱过。响应速度单独测，别和正确率混在一个分里。
实测中意外的是：现在回看，只测了自家一家几乎是必然的。报告末尾留一行勘误记录，错了就补。
实测中意外的是：方法有缺陷就写进「已知局限」，别装没有。连续测七天，稳定性自己会现形。先拿免费档试一周，再回来对答案。
05泼冷水环节
先把丑话说完，剩下的才好意思夸。
盲评环节里：把政策摘录固定放在通勤路上的手机屏前，测试条件再没乱过。响应速度单独测，别和正确率混在一个分里。
值得单独说明：把「适合谁」写具体到岗位，别写「进阶用户」。样本量写清楚，十道题的结论撑不起「完胜」。
账单摊开算：题目一半自编一半公开，防止套题。以「你每天重复最多的任务」为第一测试项。
当时随手存的原始输出，后来成了唯一的证据。响应速度单独测，别和正确率混在一个分里。结论不妨质疑，方法随时欢迎检查。
06总判定
判定只针对测试条件内的场景，越界不算。
实测中意外的是：当时手头只有政策摘录，照样把整轮测试跑完了。结论先行不是抢跑，是对读者时间的基本尊重。
账单摊开算：具体说通勤路上的手机屏前那一轮：盲评顺序记错了一次，整组作废重来。被推翻的结论不删除，划线存档并注明。
复测时发现：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。
把复测排在让家人也参与盲评后面，成了每季度的固定动作。结论压三天再发，是给自己留推翻的余地。
| 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 |
| 会员 | 按用量折算单价 | 只看标价 | 单价可复核 |
| 切换 | 双模型并跑两周 | 当天切换 | 有并用记录 |
07读数须知
价格和权益变动快，下单前以官方页面为准。
账单摊开算：连续测七天，稳定性自己会现形。官方榜单只当索引，不当证据。
盲评环节里：分数保留一位小数就够了，假精度没有意义。评测报告里最值钱的是失败记录。
后来把题量压到「谁都能测完」的规模，反而坚持下来了。只测一遍就下结论，等于没测。
08问答实录
多花了一杯咖啡的时间核对来源，省下了一次翻车。追问最凶的几题，单独立项重测了。
盲评环节里：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。
账单摊开算：现在回看，只测了自家一家几乎是必然的。评测期间不更新驱动不改配置，变量锁死。
追问下去：分数变化百分之五以内，视为人手误差。把「适合谁」写具体到岗位，别写「进阶用户」。分数是死的，你的任务才是活的。
- 分组出题 中文专项分五组
- 并用切换 双模型并行两周
- 三段计时 早中晚各一轮
- 折算会员 按用量算单价
写到这里。Yi-Large开学季横评邮件起草对比的判定给完了，复测季度见。
常被问到的
- Yi-Large开学季横评邮件起草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开学季横评邮件起草对比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。