大模型评测国标已实施:选型验收照这 6 项写,别把预算当学费
大模型选型的判断标准已经变了。以前是看榜单、看跑分、看谁的演示更炫；现在多了一条更硬的依据——能不能按国家标准把话说清楚、把账算明白。GB/T 45288《人工智能 大模型》系列标准 2025 年 2 月 28 日发布：第 1 部分讲通用要求，第 2 部分讲评测指标与方法，第 3 部分讲服务能力成熟度评估。配套的评测基准也已经跑起来，评测能力拿到了 CNAS 认可。对企业的实际影响只有一句：采购和验收，终于有了一份双方都认的尺子。具体条款以官方原文为准，这篇只讲怎么把这把尺子用到合同里。过去两年我们见得最多的场景是这样的：销售说效果很好，IT 说环境跑不起来，业务说不好用，最后谁都没错——因为项目一开始就没约定'好'的定义。标准把这件事拆成了三段：通用要求定底线，模型该具备哪些基础能力；评测指标与方法定测法，怎么测、测什么、怎么算分；服务能力成熟度定上限，供应商能不能长期供得上、接得住。这三段，恰好对应合同里最容易被糊过去的三处：功能清单、验收条款、服务条款。换句话说，它不保证你选到最强的模型，但它让'你觉得不行'和'我觉得挺好'这两种说法，都能落到同一组数字上。下面这 6 条不是标准原文，是我们按实务整理的落笔顺序，可以直接写进合同附件：· 1. 场景题目先定下来。把要验收的 3 到 5 个真实任务写成题目，附参考答案和评分口径。别写'效果良好'，写'这 200 条工单，分类准确率不低于 85%'。这一条最关键，八成的验收争议都死在这里。· 2. 指标必须可测。准确率、召回之外，补上幻觉率（回答里编造事实的比例）、P95 响应时延、并发上限、单次调用成本。跑分是实验室数据，这四项才是你每天要花的钱和时间。· 3. 安全合规则单列一节。内容安全过滤、敏感数据不出域、操作日志留存多久、权限隔离到什么粒度。这一节空着，安全评审大概率被打回来重做。· 4. 服务能力按成熟度问。谁做日常运维、故障响应时限多久、版本升级会不会改接口、模型下线提前几天通知。第 3 部分讲的正是这套成熟度，问起来对方很难含糊过去。· 5. 交付物写清归属。提示词、知识库、评测集、日志、微调后的模型权重，归谁、能不能导出、用什么格式导出。迁不走的数据，等于你没有数据。· 6. 退出机制提前谈。单价怎么算、数据怎么删、换供应商要多久。签合同时最没人愿意聊这一条，出事时它最值钱。坑一：把榜单当结论。榜单测的是通用能力，你的业务是垂直场景。通用分很高的大模型，在你的合同审查任务上，可能还不如一个小模型配好检索来得稳。坑二：拿演示做验收。销售现场那句提示词是打磨过的，你上线用的是没打磨的。验收必须用你自己的题目，在你的环境、你的数据上跑，而且允许对方也调两轮——你要验的是上限，不是下限。坑三：一步到位上大平台。预算全压在平台建设上，第一个场景还没跑通，团队信心先没了。正确顺序是：单点跑通、拿到数据、再谈平台化。平台是结果，不是起点。评测国标实施之后，'我们的大模型能力很强'这句话在评标现场已经不值钱了。值钱的是：你能不能在 3 个真实场景上，当着我的人、用我的数据、把指标跑到约定的线以上。所以选型顺序建议倒过来走：先定要验收的场景和指标，再谈模型和价格，最后才看演示。谈的时候把这份清单带进会议室，比听一小时 PPT 有用得多。也提醒一句：标准能帮你把话说清楚，但代替不了你自己对业务的理解——题目出得糙，多好的标准也救不了。正在写这类项目的技术需求或验收条款的话，回复'验收'两个字，我把这份可直接编辑的清单表格发你，按场景、指标、责任边界分好列，填完就能进合同附件。
