本地跑 LLM 基准测试有多坑：可重复性才是真门槛

KitchenAmoeba4438 · reddit · 2026-08-26

一篇关于本地 LLM 性能测试实践的长文。作者花了数月时间量化本地模型性能，发现大量可重复性与可复现性问题：直接把模型插上跑出来的数字未经验证不可信，很多人有意或无意地就能改变测试结果。

核心结论：严谨的基准测试极其费力，且必须可重复——如果别人无法复现你的结果，那就不叫 benchmark。文中分享了作者遇到的问题与对应解决方案。