测完GPT-5.5赶工实测备用模型选择，我把结论压了三天
结论可能反常识，但每一条都有出处。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。
篇幅不长，每节都能独立引用。
01后续计划
季度复评已排上日程，同一组题再跑一遍。
两台并排的显示器前的测试做完之后，整份报告都顺了。给每篇评测定一个复核日期，到期强制回看。
换个角度看：题目一半自编一半公开，防止套题。测试环境写进附录，是可复现的最低要求。
对照记录看：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。
补充一组数据：现在回看，题目全挑模型擅长的几乎是必然的。题目一半自编一半公开，防止套题。结论不妨质疑，方法随时欢迎检查。
成本与质量的相对位置
02注意事项
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。样本量写清楚，十道题的结论撑不起「完胜」。
复测时发现：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。
盲评环节里：把盲测编号固定放在两台并排的显示器前，测试条件再没乱过。失败的用例原样保留，那是报告的一半价值。数据都在附录，不信就来复现。
03追问环节
问答区不删差评，删了的才值得警惕。
对照记录看：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。
那一个月只加了一个习惯：先亮方法再亮结论。结论压三天再发，是给自己留推翻的余地。
实测中意外的是：两台并排的显示器前的测试做完之后，整份报告都顺了。结论与口碑冲突时，两头都重查一遍。
把盲测编号固定放在两台并排的显示器前，测试条件再没乱过。价格按测试当天折算，注明汇率与活动。结论不妨质疑，方法随时欢迎检查。
04同题对决
对决结果有个反转，评论区先别吵。
实测中意外的是：把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。深夜批处理和白天交互，测出来的延迟是两回事。
有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。连续测七天，稳定性自己会现形。
盲评环节里：结论与口碑冲突时，两头都重查一遍。分数保留一位小数就够了，假精度没有意义。
试过更花哨的评测框架，最后退回一张表格。结论先行不是抢跑，是对读者时间的基本尊重。这篇先到这，有新版本随时回来改。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 生态 | 接口功能清单核对 | 凭印象打分 | 逐项有截图 |
| 稳定 | 连测七天记录 | 只测一轮 | 波动有区间 |
05先给结论
那一个月只加了一个习惯：先亮方法再亮结论。结论放在最前，是不想浪费你的时间。
两台并排的显示器前的测试做完之后，整份报告都顺了。让没用过的人参与盲评，老手会被经验污染。
当时手头只有盲测编号，照样把整轮测试跑完了。每一项评分都要能追溯到原始记录。
试过更花哨的评测框架，最后退回一张表格。失败的用例原样保留，那是报告的一半价值。
补充一组数据：很多人卡在值不值有了答案，说到底差的就是一轮复测。每一项评分都要能追溯到原始记录。
06场景匹配
把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。画像列在下面，越靠前匹配度越高。
把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。数据磁盘单独留档，报告不妨改，数据不能改。
盲评环节里：这事没捷径，只有不跳步。结论先行不是抢跑，是对读者时间的基本尊重。
把样本拉大后：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。
盲评环节里：没什么诀窍，就是每个数字都留了原始记录。对比对象选同档热门，别拿小厂刷战绩。数据都在附录，不信就来复现。
“一轮复测，胜过十次转发。”
07评测流程
每组测试跑三遍取中位数，抖动超过一成就重测。
把样本拉大后：把盲测编号固定放在两台并排的显示器前，测试条件再没乱过。客服响应也算进总分，售后是产品的一部分。
先说反例：试过更花哨的评测框架，最后退回一张表格。复测用同一组题，别换题，否则不叫复测。
值得单独说明：很多人卡在值不值有了答案，说到底差的就是一轮复测。连续测七天，稳定性自己会现形。
把复测排在固定同一组题再跑一遍后面，成了每季度的固定动作。连续测七天，稳定性自己会现形。
08缺点不藏
具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。先把丑话说完，剩下的才好意思夸。
口径统一后：这事没捷径，只有不跳步。对比对象选同档热门，别拿小厂刷战绩。
账单摊开算：让没用过的人参与盲评，老手会被经验污染。测速脚本开源出来，接受同样的审视。
先说反例：盲评时把品牌信息全部去掉，编号打乱。结论与口碑冲突时，两头都重查一遍。先拿免费档试一周，再回来对答案。
09实测证据
表格里是全部原始成绩，没有挑拣。
先说反例：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。
没什么诀窍，就是每个数字都留了原始记录。盲评时把品牌信息全部去掉，编号打乱。
具体说两台并排的显示器前那一轮：盲评顺序记错了一次，整组作废重来。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
先说反例：给每个数字标上时间戳，三个月后还能对账。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。
下个版本出来，这篇会被重新核对一遍。
常被问到的
- GPT-5.5实测强但用着一般，为什么？
- 测试题是理想工况，你的任务是真实工况。拿自己十道高频问题重测，结果比任何榜单都准。
- 评测多久更新一次合理？
- 模型迭代按季度看，评测按季度复测。每月更新的多是榜单搬运，自己沉淀一套固定题集更值钱。