CHEN MOHAN LAB · 1CC1.COM
陈默涵实验室
国产算力与 AI 推理的独立实测。昇腾 / 国产 / NVIDIA 服务器、vLLM / SGLang / Dify 生产化—— 只写有原始数据、能复现、经得起复核的结论。
最新评测
全部 3 篇 →- LLM 推理性能的评测口径：为什么 token/s 会骗人方法论
性能数字不可比的根源通常不是硬件，而是口径：不写清输入输出长度、并发方式、预热状态与分位数的 token/s，只能当参考，不能当结论。
- 可复现的推理评测：一份复现包应该包含什么方法论
一份可复现的评测 = 环境清单 + 固定口径 + 脱敏原始数据 + 一键脚本 + 校验值与许可证；少任何一项，结论就只能算“经验”。
- 为什么我坚持公开测试数据与脚本随笔
公开脱敏后的数据与脚本，短期看是成本，长期看是护城河：它把「相信我」变成「你可以验证我」。
笔记
全部 2 篇 →- Markdown + Git：我的技术写作工作流工作流
内容与站点分离、frontmatter 约束、构建时脱敏检查、发布前人工复核——一个人维护一个技术站的最小工作流。
- 为什么最后选了极简静态站，而不是 3D 炫酷首页建站
试过 3D 粒子、玻璃拟态和全息渐变之后，我回到了系统字体、单栏排版和纯静态构建——读者是来看内容的，不是来看特效的。
实验室规则
- 只发有原始数据与复现步骤的结论
- 每篇固定写利益披露与可复现等级
- 旧结论错了就撤回，并留下记录
- 不使用公司数据、设备与工作时间
开源复现
每篇评测都会附上可复现包：环境清单、口径、脱敏后的原始数据、脚本与许可证。
测试数据、结果与复现包统一托管在公开仓库 mohan-lab。