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。 床上激情测评别只看“刺激不刺激”，更要看是否安全、自然、可持续。我把自己和身边情侣常踩的坑按流程拆开：从准备、尝试、反馈到复盘，帮你少走弯路，不把亲密搞成大型尴尬现场。
常见场景:步骤4：测节奏，别把电影当教材
影视作品里的亲密场景常常省略大量真实细节：沟通、停顿、调整、清洁、安全措施。照着学，很容易把自己弄得很忙，对方却没进入状态。
节奏测评看三个信号：对方是否主动回应、身体是否放松、情绪是否愉快。如果只有你一个人在推进，那不叫激情，叫单机任务。
避坑提醒:Q5：短期刺激和长期默契，怎么平衡？
短期刺激能带来新鲜感，但如果每次都靠升级强度，迟早会疲惫。长期默契则来自复盘、尊重和稳定的正反馈。
我的床上激情攻略是：每次只加一个变量。今天换灯光，就别再叠加新道具；这次尝试语言互动，就别同时追求复杂节奏。变量少，才知道什么真的有效。
选择建议:第1步：先还原需求，不急着搜片名
那次是周六晚上，观众配置很典型：两个成年人，一个小学低年级孩子。孩子想看“大象会不会飞”，大人想顺便有点自然知识，时间最好控制在两小时以内。
这一步很关键。大象电影对比如果不先写清需求，就会变成谁名气大谁赢。但亲子夜和成人深夜完全不是一回事。我们把目标定成三条：不太压抑、孩子能看懂、看完还能聊几句大象。
延伸参考:看赵文卓动作戏，盯这3个细节
很多人看打戏只看谁赢，我以前也这样。后来反复刷才发现，赵文卓的看点在“稳”。他出腿不飘，转身不散，拿刀剑时手腕很干净。尤其古装里，衣服宽、袖子长，动作一乱就像广场舞，他很少有这种尴尬。
我会用3个小点判断一场戏值不值得看：一看起势，站住没有；二看收招，有没有多余晃动；三看镜头切得碎不碎。切得太碎，说明动作可能撑不住。赵文卓早期不少戏能给到完整身段，这点现在反而稀缺。
核心要点:选项三：想研究部署，推荐7B起步
如果你有一点工程基础，Dolly 7B通常比12B更适合作为第一站。它的资源压力小一些，调试反馈更快。很多新手卡在12B不是因为不会AI，而是环境被显存教育了。
7B适合练推理服务、API封装、prompt模板、简单量化。等链路顺了，再换更大的模型看效果提升。别反着来，先追求效果，最后连服务都起不来。
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。
床上激情测评主要看什么？
看五项：双方状态、环境舒适度、沟通是否清楚、节奏是否匹配、结束后是否更亲近。不要只看刺激感。