GPT-5.5口碑收集期样本量与信度测了三轮，答案没变
不接广告不恰饭，分数只对题目负责。
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人群画像
具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。没有全能选手，只有匹配与否。
换个角度看：具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。预算和需求不同，结论就不同，别滥用通用分。
账单摊开算：长期订阅前，先看它最近两季的更新日志。长期订阅前，先看它最近两季的更新日志。
那一个月只加了一个习惯：先亮方法再亮结论。复测用同一组题，别换题，否则不叫复测。
先说反例：把报告拆两半发，中途设了个勘误窗口。给每篇评测定一个复核日期，到期强制回看。
成本与质量的相对位置
02泼冷水环节
失分的题逐条看了，原因不是能力是策略。
对照记录看：具体说书房的白板前那一轮：盲评顺序记错了一次，整组作废重来。分数保留一位小数就够了，假精度没有意义。
实测中意外的是：把报告拆两半发，中途设了个勘误窗口。把「适合谁」写具体到岗位，别写「进阶用户」。
对照记录看：当时手头只有评分表，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。
盲评环节里：结论与口碑冲突时，两头都重查一遍。测速脚本开源出来，接受同样的审视。这篇先到这，有新版本随时回来改。
03总判定
先说判定：值得测的场景多，值得付钱的场景少。
追问下去：结论与口碑冲突时，两头都重查一遍。把「适合谁」写具体到岗位，别写「进阶用户」。
值得单独说明：给每个数字标上时间戳，三个月后还能对账。分数保留一位小数就够了，假精度没有意义。
把样本拉大后：第一周最大的发现，是高峰期和闲时能差出一倍。连续测七天，稳定性自己会现形。数据都在附录，不信就来复现。
- 高峰加测 闲时成绩不算数
- 冻结题库 一半自编防套题
- 盲评打分 去品牌编号乱序
- 折算单价 按真实用量
04得分明细
表格里是全部原始成绩，没有挑拣。
对照记录看：试过更花哨的评测框架，最后退回一张表格。方法有缺陷就写进「已知局限」，别装没有。
试过更花哨的评测框架，最后退回一张表格。引用别人的数据必须标来源和测试条件。
盲评环节里：预算和需求不同，结论就不同，别滥用通用分。盲评时把品牌信息全部去掉，编号打乱。
有个细节：把缺点写进复测清单的时候测，成绩稳定得多。题目一半自编一半公开，防止套题。分数是死的，你的任务才是活的。
05结论的适用范围
结论只代表测试当天的版本，下个版本可能翻案。
复测时发现：报告末尾留一行勘误记录，错了就补。方法有缺陷就写进「已知局限」，别装没有。
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。对比对象选同档热门，别拿小厂刷战绩。
先说反例：盲评时把品牌信息全部去掉，编号打乱。官方榜单只当索引，不当证据。
那一个月只加了一个习惯：先亮方法再亮结论。引用别人的数据必须标来源和测试条件。
06后续计划
当时手头只有评分表，照样把整轮测试跑完了。季度复评已排上日程，同一组题再跑一遍。
第一周最大的发现，是高峰期和闲时能差出一倍。结论先行不是抢跑，是对读者时间的基本尊重。
追问下去：方法有缺陷就写进「已知局限」，别装没有。给每篇评测定一个复核日期，到期强制回看。
有个细节：把缺点写进复测清单的时候测，成绩稳定得多。盲评时把品牌信息全部去掉，编号打乱。
账单摊开算：第二季度复测，快了一倍，因为题库是现成的。价格按测试当天折算，注明汇率与活动。
07读者问答复盘
整理了后台最常被问的八个问题，一次答完。
先说反例：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。
把复测排在把缺点写进复测清单后面，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。
盲评环节里：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。分数是死的，你的任务才是活的。
08怎么测的
那阵子结论有了数据撑腰是整份报告里最硬的一条。同一组题、同一台机器、同一套提示词，变量只剩模型。
复测时发现：数据磁盘单独留档，报告不妨改，数据不能改。样张统一去水印、统一尺寸再进对比表。
先说反例：现在回看，题目全挑模型擅长的几乎是必然的。测速脚本开源出来，接受同样的审视。
追问下去：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。
第二季度复测，快了一倍，因为题库是现成的。复测用同一组题，别换题，否则不叫复测。判定给完了，复测的事我们季度见。
“分数是索引，场景才是答案。”
不着急下结论，题库随时开放。
常被问到的
- GPT-5.5和同类比到底强在哪？
- 别看总分，看分项：长文本、中文语感、数学、代码各自拉出来比，你的主力场景赢的那项才算数。
- 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。