外观
波动与稳定性：用分布而不是平均值看结果
平均速度不能代表稳定性，因为平均值只告诉你一堆样本的“重心”，不告诉你它们散得多开：两组平均值相同的结果，一组始终平稳，另一组可能一半时间接近不可用。要判断网速波动，需要同时看样本的范围、中位数、较差一端的分位数和随时间的变化。
本站所有品牌当前均为 Vendor Data、测速 Not Tested，本文只讲怎样读分布，不提供任何实测速度。
下面先用一组纯假设的数据说明平均值的盲区，再依次介绍分布指标、采样设计、波动来源、不同使用场景对波动的敏感度，以及怎样把这些写进自己的测试记录。
核心结论与适用条件
- 如果你拿到的只有一个平均值，那么它不足以判断体验：至少还需要样本数量、最差值或较差分位数，以及采样时段。
- 如果你关心网页、通话、游戏这类对连续性敏感的使用，那么应该优先看较差一端和丢包，而不是平均值或最高值。
- 如果你主要做大文件下载或离线任务，那么平均吞吐更有参考价值，但仍需确认中途有没有长时间的低谷。
- 如果同一节点两个时段差异显著，那么应分开记录晚高峰与非高峰，不要合并成一个数字；时段口径见高峰时段采样口径。
- 如果样本只有几次，那么任何分位数都只是线索而非结论，结论的强度取决于样本量与采样的分散程度。
这些结论适用于任何“同一对象多次测量”的场景，包括延迟、下载、丢包与可用性。它们不依赖具体品牌，也不预设某种结果。
平均值的盲区：一个示例口径
下面是示例口径，数据为纯假设，没有单位，不对应任何品牌、任何线路或任何真实测量，仅用来演示统计现象。设有两个节点 A 和 B，各取 10 个样本，用“相对值”表示。
| 项目 | 节点 A（假设） | 节点 B（假设） | 说明 |
|---|---|---|---|
| 10 个样本 | 9、10、10、10、10、10、10、10、10、11 | 1、1、1、1、1、19、19、19、19、19 | 示例口径，纯假设 |
| 平均值 | 10 | 10 | 两者相同 |
| 中位数 | 10 | 10 | 两者相同 |
| 最小值 | 9 | 1 | 差异出现 |
| 最大值 | 11 | 19 | 差异出现 |
| 较差一端 | 接近 10 | 接近 1 | B 有一半时间处于低谷 |
| 数据来源 | 假设数据 | 假设数据 | 非实测，非任何品牌 |
| 更新时间 | 2026-10-18 | 2026-10-18 | — |
这组假设数据说明了三件事。第一，平均值相同并不意味着体验相同。第二，中位数在样本呈两极分布时同样会失效，因为它恰好落在两个簇的中间，而这个值在样本里根本没有出现过。第三，只有同时看最小值、最大值和样本的整体形状，才能发现 B 实际上是“一半时间很好、一半时间很差”。
为什么现实更复杂
现实里的样本很少这样整齐，但类似的现象确实存在：线路在非高峰与晚高峰之间切换、节点负载随时间变化、本地无线干扰间歇出现，都会让样本分成不同的簇。把两个簇合并成一个平均值，就是把两种不同的体验混成了一种不存在的“平均体验”。
分布指标：该看哪些、各回答什么
读一组样本，可以从五类指标入手。每一类回答一个不同的问题。
| 指标 | 单位 | 回答的问题 | 统计口径 | 局限 | 数据来源 | 更新时间 |
|---|---|---|---|---|---|---|
| 平均值 | 与原指标一致 | 样本总量的重心在哪里 | 算术平均 | 受极端值影响，掩盖离散程度 | 读者自测 | 2026-10-18 |
| 中位数 | 与原指标一致 | 典型样本大概在哪 | 排序后居中的值 | 样本分成两簇时失效 | 读者自测 | 2026-10-18 |
| 较差分位数 | 与原指标一致 | 较差的那部分体验有多差 | 例如排序后靠近较差一端的位置 | 样本量过少时不稳定 | 读者自测 | 2026-10-18 |
| 极差与最值 | 与原指标一致 | 样本跨度有多大 | 最大值减最小值 | 只由两个样本决定，易受偶然值影响 | 读者自测 | 2026-10-18 |
| 离散程度 | 无量纲或原单位 | 样本之间差多少 | 标准差或其与平均值之比 | 对分布形状不敏感 | 读者自测 | 2026-10-18 |
| 当前全部品牌 | — | — | Not Tested / 待核实 | — | 品牌公开资料/用户提供清单 | 2026-10-18 |
中位数与分位数
中位数把样本按大小排序后取中间位置，对个别极端值不敏感，比平均值更能代表“典型体验”。分位数是它的推广：想知道“较差的那部分体验”，可以看排序后靠近较差一端的位置。对于下载速率，较差一端是较低的值；对于延迟和丢包，较差一端是较高的值。读报告时要先确认方向，不要把“高”默认为好。
极差与最值
最大值和最小值直接给出范围，但它们只由两个样本决定，一个偶然值就能改变结论。因此最值适合作为快速的警示，不适合作为唯一依据。如果最小值接近不可用，哪怕只出现一次，也应追问它出现在什么时间、是否能复现。
离散程度
标准差等指标衡量样本围绕平均值的散布程度，但它对分布形状不敏感，两簇分布与一个宽的单簇分布可能得到相近的数值。离散程度适合同一指标不同节点之间的相对比较，不适合单独使用。
方向与单位
下载越高越好，延迟和丢包越低越好。把这三项放在同一张表里，容易混淆方向。建议在记录里写明方向，必要时加一列“较差一端是高还是低”，避免读错。
样本量与采样设计
分布是否可信，首先取决于样本是怎么来的。
样本量
样本太少时，任何分位数都不稳定。几个样本只能画出粗略的轮廓，足以发现明显的两极分布，不足以估计较差一端有多差。样本量的合理程度取决于你想回答的问题，以及波动本身有多大，本文不设固定数值门槛，建议在测试协议中事先约定并写明，协议参考测试方案总览。
采样分散
十次样本如果全部在两分钟内完成，它们更像是同一个状态的重复，而不是一个分布。真正的分布需要跨越不同的时间：不同时段、不同日期、工作日与周末。晚高峰与非高峰的时段定义见前文链接，分散采样的目的，是让可能出现的簇都有机会被看到。
独立性
连续测量之间存在相关性：上一次测速占用的链路、缓存和连接复用，会影响下一次。适当的间隔、变换目标服务器、重新建立连接，有助于让样本更接近独立。至少应在记录里注明间隔与是否复用连接。
固定变量
要读出“线路的波动”，其他变量必须固定：同一设备、同一位置、同一客户端、同一节点、同一测速工具。任何一个变量的变化都会被误认为线路的波动。本地因素的排除方法见本地网络对测速的影响。
波动的来源：先分类再归因
同样是“波动”，来源不同，处理方式也不同。
| 来源类别 | 典型表现 | 时间特征 | 如何区分 | 统计口径 | 数据来源 | 更新时间 |
|---|---|---|---|---|---|---|
| 本地无线干扰 | 有线时稳定，无线时忽高忽低 | 随机，与环境活动相关 | 有线对照 | 同设备对比 | 读者自测 | 2026-10-18 |
| 本地共享占用 | 家人使用网络时变差 | 与家庭活动相关 | 暂停其他任务后重测 | 单变量 | 读者自测 | 2026-10-18 |
| 运营商高峰拥塞 | 晚间整体变差，基线也变差 | 与时段强相关 | 不开代理测基线 | 分时段 | 读者自测 | 2026-10-18 |
| 线路或节点负载 | 基线正常，代理变差 | 可能随时段或日期变化 | 换节点、换时段 | 多节点多时段 | 读者自测 | 2026-10-18 |
| 协议或客户端行为 | 重连、切换节点、握手重试 | 间歇出现 | 固定节点、查看客户端日志 | 固定变量 | 读者自测 | 2026-10-18 |
| 测速服务器侧 | 同一线路在不同测速站表现不同 | 与测速站相关 | 换测速站对比 | 见跨站对比 | 读者自测 | 2026-10-18 |
表中最后一行引出另一个常见问题：不同测速站给出的结果为什么不同。这属于口径问题，详见不同测速站结果为何不一致。
抖动与丢包
延迟的波动常被称为抖动，它描述相邻样本延迟的变化幅度；丢包描述数据包是否到达。两者都会破坏连接的连续性，而平均延迟对它们并不敏感：平均延迟低的链路，仍可能因为偶发的高延迟或丢包而使语音和视频卡顿。丢包的度量与解读见丢包的度量方法，延迟指标的细分见延迟指标的定义。
突发与持续
丢包和延迟升高可能是持续的，也可能是突发的。持续的问题往往指向链路容量或拥塞，突发的问题可能指向重传、路径切换或设备瞬时繁忙。只看总平均值，两者无法区分；按时间顺序记录并绘出时间序列，才能看出波动的节奏。
不同使用场景对波动的敏感度
稳定性的重要程度取决于你用它做什么。
| 使用类型 | 对较差一端的敏感度 | 主要关注 | 说明 |
|---|---|---|---|
| 网页浏览与即时通信 | 中 | 延迟、偶发卡顿 | 偶发慢可以容忍，持续高延迟令人烦躁 |
| 语音与视频通话 | 高 | 抖动、丢包 | 连续性比峰值更重要 |
| 在线游戏 | 高 | 延迟抖动、丢包 | 对偶发尖峰敏感，通常不关心高带宽 |
| 视频点播 | 中 | 持续吞吐、缓冲 | 客户端缓冲可吸收短时低谷，长低谷则会中断 |
| 大文件下载 | 低 | 平均吞吐 | 短时低谷影响小，只要总体完成 |
| AI 工具交互 | 中 | 连接稳定、延迟 | 品牌资料显示覆盖相关使用场景，具体可用性、解锁状态及节点表现可能随 IP、地区和平台策略变化，建议以最新实际测试结果为准 |
这张表是通用判断，不针对任何品牌，也不代表特定平台的承诺。因此“稳定性”不是单一指标：对不同用途，应使用不同的分布指标作为主要依据。
按时间顺序读：时间序列比汇总更能看出节奏
汇总指标把样本的先后顺序抹掉了，而波动恰恰常常藏在顺序里。把样本按测试时间排成一行，可以直接观察几种形态。
第一种是平台型：数值围绕某个水平小幅摆动，这通常对应稳定的状态。第二种是阶梯型：某个时刻之后整体水平发生跃迁并持续，这往往对应路径切换、节点负载变化或进入高峰时段。第三种是锯齿型：高低值频繁交替，间隔没有明显规律，常见于无线干扰、竞争流量或客户端反复重连。第四种是尖刺型：整体平稳，偶尔出现孤立的极端值，需要追问是测速工具的偶发错误还是真实的链路事件。
读时间序列有两个习惯值得养成。其一，在图或表上标出晚高峰的起止，观察形态的转折是否与时段重合。其二，把本地基线的时间序列放在一起对照：如果两条序列同步起伏，说明波动来自共同的上游，也就是本地或运营商；如果只有代理序列起伏而基线平稳，则更像线路或节点本身的因素。这一对照比任何单一汇总值都更有解释力。
比较两个节点时，怎样比才算公平
比较的前提是两边的采样设计相同。具体来说，要有相同的时段划分、相近的样本数量、相同的设备与位置，并且尽量交替测量而不是先测完一个再测另一个，因为先后顺序会把时间因素带进来。
比较时先对齐口径，再依次看三件事：典型水平（中位数）、较差一端（较差分位数与最小值）、以及是否分簇。如果两个节点的中位数接近，而其中一个的较差一端明显更差，就说明它的体验更不稳定；如果两个节点各有一簇低谷，要看低谷是否发生在同一时段。若样本很少，任何看起来的差距都可能只是偶然，应当增加样本或延长跨度之后再下结论。
最后需要强调的是，公平比较不等于得出排名。本站不提供基于测试的排名，因为这类排名需要覆盖全部使用场景和全部时段的测量，而当前所有品牌的测速都是 Not Tested。
异常值与剔除规则
有人会问：既然偶然低值会拉低结果，能否直接剔除。原则是，剔除必须有理由，并且要写进记录。
合理的剔除
测量过程中发现本地出现明确的干扰，比如另一台设备正在上传大文件，或测速程序报错，这类样本可以剔除，并写明原因。剔除应在看到结果之前约定，而不是看到结果之后挑选。
不合理的剔除
仅仅因为数值偏低而剔除，会让结果系统性偏乐观。偶发的低谷本身就是稳定性的一部分，应该保留并在报告里体现。如果某个低值无法解释也无法复现，更诚实的写法是保留它并标注“原因待核实”。
对待截图
剔除问题也解释了为什么单张截图不可靠：截图天然是被挑选过的一次样本。截图的局限见测速截图能证明什么、不能证明什么。
把分布写进记录：一个可复用的格式
下面是一个建议的记录格式，列名不含任何数值。读者可以按此整理自己的测量。
| 列 | 内容 | 说明 |
|---|---|---|
| 测试时间 | 日期与时刻 | 用于判断是否过期 |
| 时段 | 晚高峰 / 非高峰 | 不合并 |
| 节点 | 节点名称与落地地区 | 固定节点 |
| 工具与服务器 | 工具名、测速服务器位置 | 口径一致 |
| 指标 | 延迟 / 下载 / 丢包 | 注明类型与方向 |
| 样本序列 | 按时间顺序的原始值 | 不只保留平均 |
| 概括 | 中位数、较差分位数、最值 | 基于样本序列 |
| 本地基线 | 同期不开代理的结果 | 参照上限 |
| 数据状态 | Measured Data / Not Tested | 见状态标签 |
用这种格式记录的好处，是别人可以重新计算你的概括值，并检查你的样本是否被挑选。怎样系统地读一份完整报告，见怎样读一份测速报告。
决策树：拿到一组结果，怎么判断稳不稳
Decision Path
从样本到稳定性判断
text
拿到一组关于同一节点的测速结果
│
├─ 有原始样本序列吗？
│ ├─ 否（只有平均值）→ 信息不足，只能作为线索
│ └─ 是 → 继续
│
├─ 样本跨越了不同时段与日期吗？
│ ├─ 否 → 更像同一状态的重复，不能代表稳定性
│ └─ 是 → 继续
│
├─ 样本分成了明显的两簇吗？
│ ├─ 是 → 检查两簇是否对应晚高峰与非高峰，分别描述
│ └─ 否 → 继续
│
├─ 较差一端是否接近不可用？
│ ├─ 是 → 追问发生时间与能否复现，并同时看丢包
│ └─ 否 → 继续
│
├─ 本地基线同期稳定吗？
│ ├─ 否 → 波动可能来自本地，先排除本地因素
│ └─ 是 → 波动更可能来自线路、节点或时段
│
└─ 结论仅对所列时间、节点、地区成立知识图谱：波动与稳定性
实体定义。 波动指同一对象在多次测量中数值的变化；稳定性指在目标使用场景下，较差一端的体验是否仍可接受；分布指样本在数值轴上的整体形状，包括集中位置、散布范围和是否分簇。
相关概念。 平均值、中位数、分位数、极差、标准差、抖动、丢包、时间序列、晚高峰、本地基线、异常值、样本独立性、峰值与持续吞吐。
技术参数。 参数以口径为主，当前不含品牌实测值。
| 指标 | 单位 | 统计口径 | 数据来源 | 更新时间 |
|---|---|---|---|---|
| 样本数量 | 次 | 每节点每时段的有效样本数，事先约定 | 读者自测 | 2026-10-18 |
| 采样跨度 | 天 | 覆盖工作日与周末 | 读者自测 | 2026-10-18 |
| 较差分位数 | 原单位 | 注明方向与所取位置 | 读者推算 | 2026-10-18 |
| 抖动 | ms | 相邻延迟样本之差的概括 | 读者自测 | 2026-10-18 |
| 品牌稳定性 | — | Not Tested / 待核实 | 品牌公开资料/用户提供清单 | 2026-10-18 |
适用场景。 评估一个节点是否适合通话或游戏；比较两个节点时避免被平均值误导；判断他人发布的测速结果是否有足够信息；规划自己的测速频率。
对比依据。 两个节点比较时，必须使用相同的采样设计和相同的概括方式；平均值只能与平均值比，较差分位数只能与较差分位数比。
常见问题指向。 下文的常见问题围绕平均值、中位数、样本量、剔除、时段与场景展开。本地因素见本地网络对测速的影响，另见选型清单与对比总览。
方案关联：怎样用品牌库字段配合分布判断
本文主题与具体品牌无关，因此这里只说明品牌库字段与稳定性判断的关系。品牌库里与稳定性相关的字段目前都不是测量值：价格、流量、线路、协议、客户端为 Vendor Data，测速为 Not Tested。
| 字段 | 能说明什么 | 不能说明什么 | 状态 |
|---|---|---|---|
| 线路类型 | 品牌宣称的接入方式 | 实际是否稳定 | Vendor Data |
| 协议 | 使用的传输方式 | 在你的网络下的开销与波动 | Vendor Data |
| 客户端支持 | 可用的设置与模式 | 客户端在你设备上的表现 | Vendor Data |
| 测速 | — | 一切 | Not Tested |
读这张表的正确方式是：字段可以帮你缩小候选范围，但稳定性只能通过你自己的分布测量得到。在品牌库中筛选后，建议按本文的记录格式自行采样；不构成推荐，也不能代替你对自己使用场景的判断。如果想理解分布如何在测试协议中被约束，可以回到测试方法与数据说明总览。
优点、限制与风险提示
优点
- 分布视角把“快”拆成“典型有多快”和“最差有多差”，让选择与使用场景对得上。
- 不依赖特定工具和品牌，只要有原始样本序列，就可以重新计算概括值。
- 能识别出平均值掩盖的分簇现象，避免被单一数字误导。
限制
- 需要比单次测速多得多的时间和样本，对普通读者有成本，因此应根据实际需要决定深度。
- 小样本下的分位数不稳定，不能当作可靠的估计，只能作为线索。
- 分布只描述过去的测量，不预测未来；线路、节点和运营商的状况会变化。
- 本站目前没有任何品牌的实测分布，所有稳定性结论均待核实。
风险提示
- 不要把他人发布的单个平均值、最高值或截图当作稳定性依据，缺少样本序列和时段的数字无法验证。
- 不要因为样本偏低就私自剔除，这会让结果偏乐观并误导后续决策。
- 品牌宣传中的“稳定”“高速”类表述属于 Vendor Data，不等于本站测量，也不构成对你的使用承诺。
- 使用代理服务请遵守所在地区的法律法规，使用边界与风险的基本说明见使用风险的基本判断。涉及 AI 与流媒体的表述统一按条件化口径理解，具体可用性随 IP、地区和平台策略变化，建议以最新实际测试结果为准。
常见问题
为什么平均速度不能代表稳定性？
平均值只反映样本的重心，不反映样本的散布。两组平均值相同的结果，可以一组始终平稳，另一组一半时间处于低谷。要判断稳定性，需要同时看样本数量、最差值或较差分位数、采样时段，以及丢包与抖动。
中位数是不是比平均值更可靠？
中位数对个别极端值不敏感，通常更接近典型体验，但当样本分成两簇时，它会落在两簇之间，这个值在样本里可能根本没有出现。因此中位数也需要配合最小值、最大值和样本形状一起看。
网速波动大，一定是机场的问题吗？
不一定。本地无线干扰、家人同时占用、运营商高峰拥塞、测速服务器侧的差异，都会造成波动。应先测同期不开代理的本地基线，再决定波动更可能来自本地、运营商还是线路。
需要测多少次才算够？
没有适用于所有场景的固定次数。样本量取决于想回答的问题和波动本身的大小，关键是事先约定、写进记录，并让样本分散到不同时段和日期。几次连续的快速测量更像同一状态的重复，不足以代表分布。
什么是较差分位数，为什么要看它？
较差分位数是样本排序后靠近较差一端的位置，它回答“较差的那部分体验有多差”。对通话、游戏这类对连续性敏感的使用，较差一端往往比平均值更能决定体验。读的时候要注意方向：下载的较差一端是低值，延迟和丢包的较差一端是高值。
偶尔出现一次极低值，可以直接剔除吗？
不建议。只有出现明确的外部原因并在测量时就能确认，例如测速程序报错或本地有其他大流量任务，才适合剔除，并且要写明理由。仅因数值偏低而剔除，会使结果系统性偏乐观。无法解释的低值应保留并标注原因待核实。
晚高峰和非高峰的结果可以合并求平均吗？
不可以。两个时段的网络状况不同，合并后得到的是一个不对应任何真实状态的数字。应分别记录并分别概括，再比较两者的差距，这个差距本身就是对线路波动的有用描述。
不同使用场景应该看哪些指标？
对语音、视频通话和在线游戏，应更关注抖动、丢包和较差一端；对网页浏览和即时通信，关注延迟与偶发卡顿；对大文件下载，平均吞吐更有参考价值。具体取舍取决于你的使用方式，而不是某一个固定的数字。
品牌宣传的稳定性可以直接采信吗？
不可以直接采信。品牌资料属于 Vendor Data，是品牌自己的说法，未经本站验证，本站所有品牌的测速目前均为 Not Tested。这类表述可以帮助缩小候选范围，但稳定性需要你按分布方法自行采样确认。
看到别人发布的测速结果，该先检查什么？
先检查有没有原始样本序列、测试时间与时段、节点、本地基线和测速工具。缺少其中任意一项，数字的可比性就会下降。只给出单个平均值或单张截图的结果，应当当作孤立线索，而不是稳定性的证据。
Cluster · interpret
数据解读
- 如何读一份测速报告：先看口径再看数字拿到一份测速报告应该先看什么？
- 测速截图的局限：单点、单时段与选择性展示为什么不能仅凭测速截图下结论？
- 本地网络对测速的影响：宽带、Wi-Fi 与设备本地网络环境会如何影响测速结果？
- 波动与稳定性：用分布而不是平均值看结果为什么平均速度不能代表稳定性？
- 不同网站的测速结果为何不同同一服务在不同网站的测速结果为什么差别很大？
- 解读品牌宣传数据：带宽、节点数与“不限速”品牌宣传的带宽、节点数等数据应该如何理解？
信息来源与更新日期
- 信息来源：通用统计与网络测量原理；本站测试方法页的口径定义；品牌字段来自品牌公开资料或用户提供清单，均为 Vendor Data。
- 数据核实日期：2026-10-18。
- 最近更新时间：2026-10-18。
- 测速状态：全部品牌 Not Tested，本文不含任何实测数字，示例口径部分均为假设化的无单位数据。
想先弄清各个状态标签怎么用，可以看七个数据状态标签的定义；准备选购时，可回到选型清单对照字段，或在对比总览查看。