一份可复现的豆包大模型 (Doubao-pro)语音实测夜习惯迁移成本评测

这篇按评测的顺序写：结论、方法、数据、短板、适配。

篇幅不长，每节都能独立引用。

01它做不到什么

后来把题量压到「谁都能测完」的规模，反而坚持下来了。这几处翻车不是版本问题，短期内别指望修复。

最有用的一条：允许结论被推翻。盲评时把品牌信息全部去掉，编号打乱。

追问下去：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。

盲评环节里：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。

追问下去：深夜批处理和白天交互，测出来的延迟是两回事。复测用同一组题，别换题，否则不叫复测。先拿免费档试一周，再回来对答案。

02原始记录

失败的用例也放在这里，删掉它们就是造假。

补充一组数据：连续测七天，稳定性自己会现形。数据磁盘单独留档，报告不妨改，数据不能改。

值得单独说明：复测用同一组题，别换题，否则不叫复测。客服响应也算进总分，售后是产品的一部分。

实测中意外的是：具体说会议室的投屏旁那一轮：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。判定给完了，复测的事我们季度见。

03直接说答案

最有用的一条：允许结论被推翻。结论放在最前，是不想浪费你的时间。

盲评环节里：把复测排在把响应秒数记进表格后面，成了每季度的固定动作。失败的用例原样保留，那是报告的一半价值。

盲评环节里：把「适合谁」写具体到岗位，别写「进阶用户」。评测工具本身也要校准，尺子歪了全盘皆输。

实测中意外的是：题目一半自编一半公开，防止套题。把反对意见原样贴出来，比一致好评有用。

对照记录看：失败的用例原样保留，那是报告的一半价值。给每篇评测定一个复核日期，到期强制回看。数据都在附录，不信就来复现。

04免责与说明

后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论只代表测试当天的版本，下个版本可能翻案。

把样本拉大后：有个细节：把响应秒数记进表格的时候测，成绩稳定得多。以「你每天重复最多的任务」为第一测试项。

当时随手存的原始输出，后来成了唯一的证据。给每个数字标上时间戳，三个月后还能对账。

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。分数是死的，你的任务才是活的。

05横向相对而言

现在回看，切换当天才发现坑几乎是必然的。对比表在下面，每一格都能溯源到原始记录。

实测中意外的是：长期订阅前，先看它最近两季的更新日志。分数变化百分之五以内，视为人手误差。

实测中意外的是：结论与口碑冲突时，两头都重查一遍。题目一半自编一半公开，防止套题。

追问下去：没什么诀窍，就是每个数字都留了原始记录。高峰期单独加测一轮，闲时成绩不算数。

06读者问答复盘

追问最凶的几题，单独立项重测了。

对照记录看：当时手头只有复评日历，照样把整轮测试跑完了。让没用过的人参与盲评，老手会被经验污染。

那阵子众测反馈有据可查是整份报告里最硬的一条。付费档和免费档分开出成绩单。

口径统一后：把复评日历固定放在会议室的投屏旁，测试条件再没乱过。响应速度单独测，别和正确率混在一个分里。

07对号入座

三类人适合，两类人别碰，对号入座。

盲评环节里：测试环境写进附录，是可复现的最低要求。客服响应也算进总分，售后是产品的一部分。

这事没捷径，只有不跳步。响应速度单独测，别和正确率混在一个分里。

把复测排在把响应秒数记进表格后面，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。

口径统一后：当时手头只有复评日历，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。

1. 用满额度　上限亲手摸到
2. 分组出题　中文专项分五组
3. 折算会员　按用量算单价
4. 三段计时　早中晚各一轮

08跟踪安排

没什么诀窍，就是每个数字都留了原始记录。下期测它的直接对手，选题在评论区投票。

账单摊开算：试过更花哨的评测框架，最后退回一张表格。长期订阅前，先看它最近两季的更新日志。

值得单独说明：数据磁盘单独留档，报告不妨改，数据不能改。把对手的优点也写出来，报告才立得住。

具体说会议室的投屏旁那一轮：盲评顺序记错了一次，整组作废重来。长期订阅前，先看它最近两季的更新日志。

实测中意外的是：只测一遍就下结论，等于没测。评测期间不更新驱动不改配置，变量锁死。分数是死的，你的任务才是活的。

下个版本出来，这篇会被重新核对一遍。

谢凿壁

大模型产品评测出身，盲测过上百场。结论站不住，方法先站住。

这位评测人的其他实测 →