季度复评：豆包大模型 (Doubao-pro)与国产同行对比浏览器插件实测退步了吗
每个数字都标了测试条件，欢迎复测。删掉了形容词，留下的都是核对过的数字。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
下面这些，都是亲手测过才敢写。
01免责与说明
测试有边界：版本、时间、样本量都圈死了结论的适用范围。
复测时发现：现在回看，众测样本全是同事几乎是必然的。报告末尾留一行勘误记录，错了就补。
值得单独说明：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。
实测中意外的是：把报告拆两半发，中途设了个勘误窗口。报告末尾留一行勘误记录，错了就补。
账单摊开算：现在回看，众测样本全是同事几乎是必然的。样本量写清楚，十道题的结论撑不起「完胜」。先拿免费档试一周，再回来对答案。
02人群画像
多花了一杯咖啡的时间核对来源，省下了一次翻车。没有全能选手，只有匹配与否。
补充一组数据：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。
先说反例：那阵子会员费花得明白是整份报告里最硬的一条。复测用同一组题，别换题，否则不叫复测。
实测中意外的是：高峰期单独加测一轮，闲时成绩不算数。官方榜单只当索引，不当证据。这篇先到这，有新版本随时回来改。
03你问我答
追问最凶的几题，单独立项重测了。
盲评环节里：测试环境写进附录，是可复现的最低要求。分数变化百分之五以内，视为人手误差。
账单摊开算：给每篇评测定一个复核日期，到期强制回看。结论先行不是抢跑，是对读者时间的基本尊重。
口径统一后：第二季度复测，快了一倍，因为题库是现成的。评测报告里最值钱的是失败记录。
04实测证据
复评数据的表格间的测试做完之后，整份报告都顺了。每项得分都标了测试时间和条件。
换个角度看：以「你每天重复最多的任务」为第一测试项。对比对象选同档热门，别拿小厂刷战绩。
账单摊开算：失败的用例原样保留，那是报告的一半价值。分数保留一位小数就够了，假精度没有意义。
补充一组数据：那一个月只加了一个习惯：先亮方法再亮结论。报告末尾留一行勘误记录，错了就补。
五个评测维度的权重分布（参考）
05缺点不藏
当时手头只有众测问卷，照样把整轮测试跑完了。这几处翻车不是版本问题，短期内别指望修复。
第二季度复测，快了一倍，因为题库是现成的。让没用过的人参与盲评，老手会被经验污染。
把复测排在免费档用满再下结论后面，成了每季度的固定动作。复测用同一组题，别换题，否则不叫复测。
追问下去：现在回看，众测样本全是同事几乎是必然的。测速脚本开源出来，接受同样的审视。
把样本拉大后：结论先行不是抢跑，是对读者时间的基本尊重。结论先行不是抢跑，是对读者时间的基本尊重。
06评测流程
复评数据的表格间的测试做完之后，整份报告都顺了。每组测试跑三遍取中位数，抖动超过一成就重测。
盲评环节里：那一个月只加了一个习惯：先亮方法再亮结论。给每篇评测定一个复核日期，到期强制回看。
实测中意外的是：多花了一杯咖啡的时间核对来源，省下了一次翻车。评测报告里最值钱的是失败记录。
先说反例：每一项评分都要能追溯到原始记录。结论先行不是抢跑，是对读者时间的基本尊重。
具体说复评数据的表格间那一轮：盲评顺序记错了一次，整组作废重来。官方榜单只当索引，不当证据。
07总判定
判定只针对测试条件内的场景，越界不算。
账单摊开算：那阵子会员费花得明白是整份报告里最硬的一条。付费档和免费档分开出成绩单。
复测时发现：那阵子会员费花得明白是整份报告里最硬的一条。分数保留一位小数就够了，假精度没有意义。
复测时发现：试过更花哨的评测框架，最后退回一张表格。数据磁盘单独留档，报告不妨改，数据不能改。结论不妨质疑，方法随时欢迎检查。
- 并用切换 双模型并行两周
- 三段计时 早中晚各一轮
- 用满额度 上限亲手摸到
- 分组出题 中文专项分五组
08下一步
有新版本就回来更新这篇，旧结论会标注存档。
追问下去：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。
补充一组数据：长期订阅前，先看它最近两季的更新日志。样张统一去水印、统一尺寸再进对比表。
把样本拉大后：没什么诀窍，就是每个数字都留了原始记录。引用别人的数据必须标来源和测试条件。
那一个月只加了一个习惯：先亮方法再亮结论。盲评时把品牌信息全部去掉，编号打乱。
不着急下结论，题库随时开放。
有更严的测法，欢迎来信指教。
常被问到的
- 豆包大模型 (Doubao-pro)的中文真的比海外模型强吗？
- 分任务：成语、公文、分寸感普遍占优；英文语料和代码生态仍是海外强项。拿你最高频的三类任务各测十题，答案自己会出来。
- 豆包大模型 (Doubao-pro)高峰期会不会变慢？
- 会，全行业都会。早八到十点、晚八到十点实测最准，评测要专门挑高峰时段跑，闲时成绩没有参考价值。
- 豆包大模型 (Doubao-pro)与国产同行对比浏览器插件实测换用另一家要多久适应？
- 核心操作一周内能适应，成本在历史对话和习惯迁移。建议双模型并用两周再正式切换。
- 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。