使用细节:第3步：跑30个问题看四项指标
问题分成四类：直接查规则、跨段整合、边界条件、无答案拒答。每类大约7到8题。打分不看文采，只看准确、引用、简洁、是否幻觉。
Dolly的表现比较典型：直接查规则能答一部分，英文式表达痕迹偶尔出现；跨段整合会漏条件；无答案拒答不够稳定，提示词稍微软一点就会补内容。中文模型在表达和中文制度理解上更顺，商业API整体最稳。
Dolly对比：一次内网问答复盘常见问题
Dolly对比：一次内网问答复盘常见问题
Dolly对比最有价值的方式，不是拿排行榜截图互怼，而是放进真实小场景里跑一遍。下面复盘一个“公司制度问答助手”的测试过程：同样资料、同样问题，把Dolly和中文开源模型放在一起看，差距会非常直观。 Dolly避坑的核心，是别把它当成一个神奇聊天机器人，而要看懂它背后的基座模型、指令微调、数据规模和部署限制。理解这几层逻辑后，你会自然知道哪些需求适合试，哪些需求一开始就该换方案。
常见场景:坑三：低估推理成本和工程维护
开源不等于免费。模型权重可以下载，但显卡、内存、部署、监控、日志、安全过滤都要成本。尤其是多人并发时，单次能跑和稳定服务完全是两件事。
小团队最容易漏掉的是维护成本：依赖库升级、模型加载失败、输出超长、服务卡死、提示词被用户绕过。Dolly避坑不是劝退，而是提醒你把这些算进预算。
避坑提醒:快速对比表：按今晚心情选
想省心：选《小飞象》动画版。想画面美：选《大象女王》。想看成人故事：选《大象的眼泪》。想温柔讨论动物自由：选《独一无二的伊万》。
我的建议是别按“名气最大”排序，而按观影场景排序。带娃、独自深夜、情侣约会、课堂放映，适合的片完全不同。大象电影推荐真正有用的地方，就是帮你少做错场景选择。
选择建议:问题1：作文分数真的拉差距吗？
拉，而且经常是悄悄拉开。小学一篇作文可能占20到30分，初中作文常见50分左右，高考语文作文通常是60分。选择题错一题几分，作文一旦跑题、空泛、结构乱，十几分没得很快。
更扎心的是，作文不像背古诗，今晚背明天就能拿分。它需要积累和训练，临时抱佛脚效果有限。所以从分数角度看，语文作文值得长期投入。
延伸参考:第2步：别只问脑筋急转弯
不少Dolly测评翻车在题库选择上：上来就是数学奥赛、复杂代码、中文古诗赏析，然后给一句“不好用”。这不叫测评，叫拿短板打靶。
更靠谱的做法是分4组：英文指令跟随、中文日常问答、摘要改写、企业内部知识问答模拟。每组至少20条prompt，别一两句就下结论。Dolly的英文指令表现通常比中文自然度更稳，这一点要单独标出来。
核心要点:对比3：商业里的红皇后，是竞争基准抬高
商业语境下，红皇后是什么？一句话：你进步了，但行业标准也进步了，所以优势未必增加。电商客服回复越来越快、短视频剪辑越来越精、手机拍照越来越强，都是类似场景。
它和普通竞争的区别在于“基准线会移动”。十年前会做公众号排版算加分，现在只是基础操作；早年外卖能准时送达是亮点，现在慢一点就被吐槽。用户预期和竞品能力一起把门槛抬高。
常见问题
Dolly对比时要不要看排行榜？
可以参考，但不能替代业务测试。排行榜题型和你的真实问题往往不一样，尤其中文内网问答更要自建评测集。
Dolly做RAG问答最大的短板是什么？
主要是中文约束理解和拒答稳定性。资料不足时，必须用强提示词和测试集反复压幻觉。
Dolly对比商业API有优势吗？
优势在可控、可研究、可本地化实验；劣势是效果、维护和安全策略都要自己补。生产上线要算总成本。
Dolly避坑最重要的一点是什么？
明确它的定位：适合学习和实验，不是默认可生产上线的万能模型。所有结论都要用你的真实数据验证。