一组数据看懂GPT-5.5口碑收集期多模态对比
每个数字都标了测试条件，欢迎复测。这篇按评测的顺序写：结论、方法、数据、短板、适配。
赶时间的话，先看结论，再看适合谁。
01追问环节
问答比正文诚实，语气都保留了。
把样本拉大后：别用厂商给的演示样例，那是考过的题。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：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。
值得单独说明：后来把题量压到「谁都能测完」的规模，反而坚持下来了。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。
高峰期单独加测一轮，闲时成绩不算数。复测用同一组题，别换题，否则不叫复测。
02缺点不藏
有个细节：记录每题的响应秒数的时候测，成绩稳定得多。先把丑话说完，剩下的才好意思夸。
把样本拉大后：给每个数字标上时间戳，三个月后还能对账。每一项评分都要能追溯到原始记录。
具体说评测表格的格子间那一轮：盲评顺序记错了一次，整组作废重来。引用别人的数据必须标来源和测试条件。
复测时发现：样本量写清楚，十道题的结论撑不起「完胜」。只测一遍就下结论，等于没测。
一轮评测的工时构成
03横向相对而言
总分接近时，看分项：你的主力场景赢的才算赢。
值得单独说明：样本量写清楚，十道题的结论撑不起「完胜」。连续测七天，稳定性自己会现形。
盲评环节里：多花了一杯咖啡的时间核对来源，省下了一次翻车。把反对意见原样贴出来，比一致好评有用。
实测中意外的是：现在回看，评测完就吃灰几乎是必然的。样本量写清楚，十道题的结论撑不起「完胜」。
对照记录看：没什么诀窍，就是每个数字都留了原始记录。结论与口碑冲突时，两头都重查一遍。这篇先到这，有新版本随时回来改。
引用别人的数据必须标来源和测试条件。被推翻的结论不删除，划线存档并注明。
04什么人该用
画像列在下面，越靠前匹配度越高。
实测中意外的是：试过更花哨的评测框架，最后退回一张表格。预算和需求不同，结论就不同，别滥用通用分。
第二季度复测，快了一倍，因为题库是现成的。以「你每天重复最多的任务」为第一测试项。
当时手头只有测试题库，照样把整轮测试跑完了。测试环境写进附录，是可复现的最低要求。
把「适合谁」写具体到岗位，别写「进阶用户」。别用厂商给的演示样例，那是考过的题。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
| 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 |
05怎么测的
很多人卡在短板一眼看穿，说到底差的就是一轮复测。环境与参数写在文末附录，欢迎一键复现。
盲评环节里：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。官方榜单只当索引，不当证据。
当时随手存的原始输出，后来成了唯一的证据。题目一半自编一半公开，防止套题。
把样本拉大后：连续测七天，稳定性自己会现形。客服响应也算进总分，售后是产品的一部分。
补充一组数据：第一周最大的发现，是高峰期和闲时能差出一倍。把「适合谁」写具体到岗位，别写「进阶用户」。
06一句话判定
最有用的一条：允许结论被推翻。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
实测中意外的是：把测试题库固定放在评测表格的格子间，测试条件再没乱过。每组测试至少三遍，取中位数，抖动大就重测。
第二季度复测，快了一倍，因为题库是现成的。分数变化百分之五以内，视为人手误差。
值得单独说明：付费档和免费档分开出成绩单。测试环境写进附录，是可复现的最低要求。
07成绩摆出来
每项得分都标了测试时间和条件。
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。分数变化百分之五以内，视为人手误差。
值得单独说明：测试环境写进附录，是可复现的最低要求。被推翻的结论不删除，划线存档并注明。
值得单独说明：连续测七天，稳定性自己会现形。方法有缺陷就写进「已知局限」，别装没有。
先说反例：众测样本要覆盖三种以上岗位，技术岗扎堆会失真。样本量写清楚，十道题的结论撑不起「完胜」。
官方榜单只当索引，不当证据。让没用过的人参与盲评，老手会被经验污染。
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
- 怎么自己搭一套评测流程？
- 四步：编 30 道真实题、分五个维度、双人盲评打分、季度复测。工具不花一分钱，贵在坚持。
- 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。