评测报告模板是什么
评测报告是给别人看的决策材料，结构固定反而好读：变更摘要、实验条件、结果（主指标对比、切片差异、护栏指标）、结论与风险、附件。结论的写法最关键——用带条件与区间的可证伪表述，例如「在 golden-v3 上提升 1.8 分（区间 -0.2 至 3.5）」，而不是「效果更好」。缺少条件限定的结论被搬到别的场景引用时，很容易失效。
基本信息
| 目标读者 | 决策者看第一页，工程与评审看附件细节 |
|---|---|
| 必备内容 | 版本号、实验条件、主指标与切片、结论、风险与回滚方案 |
| 附件要求 | 逐样本结果与原始输出存档，链接可查、权限可控 |
| 复现要求 | 记录模型、参数与评测集版本，他人可据此重跑 |
典型使用场景
- 提示改版评审：给出改动前后的对比与结论建议
- 模型升级决策：附成本与延迟变化，供业务方权衡
- 上线前验收：把护栏指标与质量指标放在同一份报告里
- 跨团队沟通：统一结构让不同团队的报告可以横向比较
- 事后复盘：保留存档，便于核对当初的判断依据
报告骨架
报告骨架
# 1) 变更摘要（一句话）与版本号
# 2) 实验条件：评测集版本、模型与版本、生成参数、代码提交号
# 3) 结果：主指标对比表 + 切片差异表 + 护栏指标（成本与延迟）
# 4) 结论：采信 / 不采信 / 需扩大样本，并标注不确定性与适用条件
# 5) 风险与后续：已知局限、待办事项、回滚方案与责任人
# 6) 附件：逐样本 diff、原始输出、评分脚本版本（链接可查）结论写法对照
| 写法 | 示例 | 问题 |
|---|---|---|
| 可证伪 | 在 golden-v3 上主指标 +1.8 分，区间 -0.2 至 3.5 | 无明显问题，条件与不确定性清晰 |
| 笼统 | 效果更好 | 无适用条件，其他场景引用易失效 |
| 只给单点 | 提升了 1.8 分 | 缺不确定性与样本量信息 |
| 带隐含前提 | 在长文本场景更好 | 未说明样本范围与切片依据 |
给决策者的一页纸不要塞满表格：把主指标对比、结论与风险写清即可，切片表格与逐样本 diff 放附件，需要时再翻。
附件是可信度的一部分：不附逐样本结果时报告数字无法复核，评审只能选择相信或不相信，讨论会停在信任层面。