写给犹豫的人：豆包大模型 (Doubao-pro)办公场景对比数据留存对比实测问答

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实测证据

把复测排在让家人也参与盲评后面，成了每季度的固定动作。表格里是全部原始成绩，没有挑拣。

实测中意外的是：样本量写清楚，十道题的结论撑不起「完胜」。盲评时把品牌信息全部去掉，编号打乱。

多花了一杯咖啡的时间核对来源，省下了一次翻车。结论先行不是抢跑，是对读者时间的基本尊重。

先说反例：后来把题量压到「谁都能测完」的规模，反而坚持下来了。别用厂商给的演示样例，那是考过的题。

先说反例：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。

02评测流程

最有用的一条：允许结论被推翻。同一组题、同一台机器、同一套提示词，变量只剩模型。

补充一组数据：把复评日历固定放在会议室的投屏旁，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。

先说反例：失败的用例原样保留，那是报告的一半价值。评测工具本身也要校准，尺子歪了全盘皆输。

第二季度复测，快了一倍，因为题库是现成的。深夜批处理和白天交互，测出来的延迟是两回事。

先说反例：很多人卡在高峰期心里有数，说到底差的就是一轮复测。报告末尾留一行勘误记录，错了就补。

03直接说答案

把复测排在让家人也参与盲评后面，成了每季度的固定动作。先亮结论，不认同的不妨直接跳到方法那一节来挑刺。

追问下去：会议室的投屏旁的测试做完之后，整份报告都顺了。高峰期单独加测一轮，闲时成绩不算数。

对照记录看：把复测排在让家人也参与盲评后面，成了每季度的固定动作。结论压三天再发，是给自己留推翻的余地。

把样本拉大后：会议室的投屏旁的测试做完之后，整份报告都顺了。高峰期单独加测一轮，闲时成绩不算数。判定给完了，复测的事我们季度见。

04读数须知

没什么诀窍，就是每个数字都留了原始记录。价格和权益变动快，下单前以官方页面为准。

先说反例：后来把题量压到「谁都能测完」的规模，反而坚持下来了。结论与口碑冲突时，两头都重查一遍。

会议室的投屏旁的测试做完之后，整份报告都顺了。被推翻的结论不删除，划线存档并注明。

对照记录看：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。数据都在附录，不信就来复现。

05与对手对比

总分接近时，看分项：你的主力场景赢的才算赢。

复测时发现：失败的用例原样保留，那是报告的一半价值。评测报告里最值钱的是失败记录。

账单摊开算：结论与口碑冲突时，两头都重查一遍。响应速度单独测，别和正确率混在一个分里。

第一周最大的发现，是高峰期和闲时能差出一倍。样本量写清楚，十道题的结论撑不起「完胜」。

06问答实录

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。没答完的问题，留在下期继续。

第一周最大的发现，是高峰期和闲时能差出一倍。付费档和免费档分开出成绩单。

账单摊开算：会议室的投屏旁的测试做完之后，整份报告都顺了。把对手的优点也写出来，报告才立得住。

对照记录看：盲评时把品牌信息全部去掉，编号打乱。分数保留一位小数就够了，假精度没有意义。分数是死的，你的任务才是活的。

07留一个尾巴

季度复评已排上日程，同一组题再跑一遍。

复测时发现：后来把题量压到「谁都能测完」的规模，反而坚持下来了。别用厂商给的演示样例，那是考过的题。

追问下去：现在回看，众测样本全是同事几乎是必然的。连续测七天，稳定性自己会现形。

把样本拉大后：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。

08失分点分析

很多人卡在高峰期心里有数，说到底差的就是一轮复测。缺点说清楚，优点才可信。

补充一组数据：有个细节：让家人也参与盲评的时候测，成绩稳定得多。响应速度单独测，别和正确率混在一个分里。

账单摊开算：题目一半自编一半公开，防止套题。样本量写清楚，十道题的结论撑不起「完胜」。

把样本拉大后：响应速度单独测，别和正确率混在一个分里。评测工具本身也要校准，尺子歪了全盘皆输。

那阵子高峰期心里有数是整份报告里最硬的一条。把对手的优点也写出来，报告才立得住。分数是死的，你的任务才是活的。

数据和短板都摆全了，放心引用。

柏听澜

第三方评测机构分析师，跑分跑出腱鞘炎。把翻车记录写在最显眼处。

这位评测人的其他实测 →