GPT-5.5多模态评测评分权重分配值不值？算完这笔账再说

删掉了形容词，留下的都是核对过的数字。

01与对手对比

复测数据表旁的测试做完之后，整份报告都顺了。总分接近时，看分项：你的主力场景赢的才算赢。

盲评环节里：当时手头只有截图存档，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：后来把题量压到「谁都能测完」的规模，反而坚持下来了。别用厂商给的演示样例，那是考过的题。

把样本拉大后：具体说复测数据表旁那一轮：盲评顺序记错了一次，整组作废重来。付费档和免费档分开出成绩单。数据都在附录，不信就来复现。

1. 冻结题库　一半自编防套题
2. 高峰加测　闲时成绩不算数
3. 盲评打分　去品牌编号乱序
4. 折算单价　按真实用量

02适合谁

没什么诀窍，就是每个数字都留了原始记录。没有全能选手，只有匹配与否。

换个角度看：响应速度单独测，别和正确率混在一个分里。评测期间不更新驱动不改配置，变量锁死。

当时手头只有截图存档，照样把整轮测试跑完了。结论与口碑冲突时，两头都重查一遍。

对照记录看：引用别人的数据必须标来源和测试条件。以「你每天重复最多的任务」为第一测试项。

账单摊开算：没什么诀窍，就是每个数字都留了原始记录。别用厂商给的演示样例，那是考过的题。

• 失败用例原样存档
• 盲评去掉了品牌信息
• 结论压了三天才发
• 题库一半来自真实任务

03一句话判定

把报告拆两半发，中途设了个勘误窗口。先说判定：值得测的场景多，值得付钱的场景少。

盲评环节里：评测期间不更新驱动不改配置，变量锁死。评测工具本身也要校准，尺子歪了全盘皆输。

口径统一后：那一个月只加了一个习惯：先亮方法再亮结论。每一项评分都要能追溯到原始记录。

口径统一后：多花了一杯咖啡的时间核对来源，省下了一次翻车。价格按测试当天折算，注明汇率与活动。

没什么诀窍，就是每个数字都留了原始记录。分数变化百分之五以内，视为人手误差。分数是死的，你的任务才是活的。

04测试方法

最有用的一条：允许结论被推翻。每组测试跑三遍取中位数，抖动超过一成就重测。

很多人卡在选型会不再吵架，说到底差的就是一轮复测。付费档和免费档分开出成绩单。

盲评环节里：复测用同一组题，别换题，否则不叫复测。连续测七天，稳定性自己会现形。

补充一组数据：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。

这事没捷径，只有不跳步。结论与口碑冲突时，两头都重查一遍。

05读数须知

具体说复测数据表旁那一轮：盲评顺序记错了一次，整组作废重来。把边界写明白，是评测的基本操守。

实测中意外的是：把反对意见原样贴出来，比一致好评有用。高峰期单独加测一轮，闲时成绩不算数。

对照记录看：结论压三天再发，是给自己留推翻的余地。被推翻的结论不删除，划线存档并注明。

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。

复测时发现：有个细节：记录每题的响应秒数的时候测，成绩稳定得多。价格按测试当天折算，注明汇率与活动。

06缺点不藏

先把丑话说完，剩下的才好意思夸。

当时手头只有截图存档，照样把整轮测试跑完了。复测用同一组题，别换题，否则不叫复测。

补充一组数据：后来把题量压到「谁都能测完」的规模，反而坚持下来了。把对手的优点也写出来，报告才立得住。

值得单独说明：分数保留一位小数就够了，假精度没有意义。连续测七天，稳定性自己会现形。

07后续计划

有个细节：记录每题的响应秒数的时候测，成绩稳定得多。有新版本就回来更新这篇，旧结论会标注存档。

换个角度看：现在回看，样本太少不足为凭几乎是必然的。评测期间不更新驱动不改配置，变量锁死。

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。

补充一组数据：失败的用例原样保留，那是报告的一半价值。分数变化百分之五以内，视为人手误差。

换个角度看：报告末尾留一行勘误记录，错了就补。付费档和免费档分开出成绩单。

08原始记录

试过更花哨的评测框架，最后退回一张表格。数据先摆事实：强项强多少，弱项弱多少。

很多人卡在选型会不再吵架，说到底差的就是一轮复测。报告末尾留一行勘误记录，错了就补。

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」。

先说反例：结论压三天再发，是给自己留推翻的余地。复测用同一组题，别换题，否则不叫复测。

实测中意外的是：复测数据表旁的测试做完之后，整份报告都顺了。把对手的优点也写出来，报告才立得住。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。

花悬梁

模型微调服务从业者，客户效果说了算。把翻车记录写在最显眼处。

这位评测人的其他实测 →