我们用同一组题测了豆包大模型 (Doubao-pro)老用户复评智能硬件联动
盲评、复测、原始记录，三样都齐。
篇幅不长，每节都能独立引用。
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直接说答案
先亮结论，不认同的不妨直接跳到方法那一节来挑刺。
把复测排在同一道题五家轮流问后面，成了每季度的固定动作。分数变化百分之五以内，视为人手误差。
补充一组数据：没什么诀窍，就是每个数字都留了原始记录。结论先行不是抢跑，是对读者时间的基本尊重。
换个角度看：引用别人的数据必须标来源和测试条件。客服响应也算进总分，售后是产品的一部分。结论不妨质疑，方法随时欢迎检查。
02怎么测的
同一组题、同一台机器、同一套提示词，变量只剩模型。
账单摊开算：第一周最大的发现，是高峰期和闲时能差出一倍。评测工具本身也要校准，尺子歪了全盘皆输。
把报告拆两半发，中途设了个勘误窗口。高峰期单独加测一轮，闲时成绩不算数。
盲评环节里：预算和需求不同，结论就不同，别滥用通用分。结论压三天再发，是给自己留推翻的余地。
03对号入座
当时随手存的原始输出，后来成了唯一的证据。画像列在下面，越靠前匹配度越高。
盲评环节里：结论压三天再发，是给自己留推翻的余地。题目一半自编一半公开，防止套题。
把复测排在同一道题五家轮流问后面，成了每季度的固定动作。每一项评分都要能追溯到原始记录。
对照记录看：结论与口碑冲突时，两头都重查一遍。高峰期单独加测一轮，闲时成绩不算数。
补充一组数据：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。
04留一个尾巴
具体说对比表格的双屏前那一轮：盲评顺序记错了一次，整组作废重来。季度复评已排上日程，同一组题再跑一遍。
先说反例：测速脚本开源出来，接受同样的审视。引用别人的数据必须标来源和测试条件。
把样本拉大后：把众测问卷固定放在对比表格的双屏前，测试条件再没乱过。结论压三天再发，是给自己留推翻的余地。
账单摊开算：对比对象选同档热门，别拿小厂刷战绩。连续测七天，稳定性自己会现形。
- 分组出题 中文专项分五组
- 三段计时 早中晚各一轮
- 折算会员 按用量算单价
- 用满额度 上限亲手摸到
05横向相对而言
具体说对比表格的双屏前那一轮：盲评顺序记错了一次，整组作废重来。对比表在下面，每一格都能溯源到原始记录。
当时随手存的原始输出，后来成了唯一的证据。评测工具本身也要校准，尺子歪了全盘皆输。
复测时发现：具体说对比表格的双屏前那一轮：盲评顺序记错了一次，整组作废重来。测试环境写进附录，是可复现的最低要求。
实测中意外的是：题目一半自编一半公开，防止套题。结论与口碑冲突时，两头都重查一遍。数据都在附录，不信就来复现。
06缺点不藏
最有用的一条：允许结论被推翻。这几处翻车不是版本问题，短期内别指望修复。
现在回看，政策没读就接入几乎是必然的。每一项评分都要能追溯到原始记录。
很多人卡在年度横评成体系了，说到底差的就是一轮复测。评测期间不更新驱动不改配置，变量锁死。
试过更花哨的评测框架，最后退回一张表格。让没用过的人参与盲评，老手会被经验污染。
补充一组数据：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。判定给完了，复测的事我们季度见。
07免责与说明
把边界写明白，是评测的基本操守。
账单摊开算：那一个月只加了一个习惯：先亮方法再亮结论。连续测七天，稳定性自己会现形。
盲评环节里：客服响应也算进总分，售后是产品的一部分。以「你每天重复最多的任务」为第一测试项。
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。
08数据与样张
没什么诀窍，就是每个数字都留了原始记录。失败的用例也放在这里，删掉它们就是造假。
账单摊开算：当时手头只有众测问卷，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。
具体说对比表格的双屏前那一轮：盲评顺序记错了一次，整组作废重来。高峰期单独加测一轮，闲时成绩不算数。
第二季度复测，快了一倍，因为题库是现成的。引用别人的数据必须标来源和测试条件。
账单摊开算：引用别人的数据必须标来源和测试条件。结论先行不是抢跑，是对读者时间的基本尊重。分数是死的，你的任务才是活的。
09你问我答
问答区不删差评，删了的才值得警惕。
追问下去：每一项评分都要能追溯到原始记录。预算和需求不同，结论就不同，别滥用通用分。
把复测排在同一道题五家轮流问后面，成了每季度的固定动作。连续测七天，稳定性自己会现形。
追问下去：把众测问卷固定放在对比表格的双屏前，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。
口径统一后：试过更花哨的评测框架，最后退回一张表格。付费档和免费档分开出成绩单。判定给完了，复测的事我们季度见。
按场景拆分的得分差异（参考）
报告交了，剩下的看你的任务怎么对号。
有新版本我会回来更新这篇报告。
常被问到的
- 豆包大模型 (Doubao-pro)和同行比最该看哪一项？
- 看你用什么：办公族看文档和表格处理，学生看讲解和翻译，创作者看文风。没有全能冠军，只有场景冠军。
- 豆包大模型 (Doubao-pro)的隐私政策要注意什么？
- 三处：数据留存期限、是否用于训练、企业数据隔离。个人用户重点看第一处，企业用户三条都要落实。
- 豆包大模型 (Doubao-pro)值得年度会员吗？
- 先月付跑满一个月，把使用次数和场景记下来。月均使用超过二十天再考虑年付，否则按量或月付更稳。