同一提示词在不同模型上结果不同，先记录什么

先辨认这次变化的信号

模型差异不能只记“谁写得更好”，还要记录版本、参数、输入、拒答和事实错误。

用户常凭一次输出形成稳定印象，却没有保存可复现的测试条件。模型天气不按发布频率判断变化，而先看这项能力是否真的改变了任务条件。如果演示只展示一次成功输出，读者仍不知道它在重复、冲突和权限不足时会发生什么。

建立同一任务、同一资料、同一评价表，让差异可以被解释而不是被偏好掩盖。

把现场条件写下来

同一份产品说明交给不同模型，一个输出更长，一个主动指出数据不足；篇幅不应成为唯一比较依据。

这类现场不需要先做大型评测。选择一条最近真实完成的任务，保留原资料、角色和截止时间，再让新工具在不改变目标的前提下重做。观察结果时，把“界面是否顺眼”放在最后一层；先记录输入是否完整、事实是否可追溯、失败能否解释。

最小测试记录

以下检查用于制造可比较的证据。每项都应保存输入、输出、时间和复核人；不同设备或账号也应独立记录。

• 固定模型名称与可见版本信息。
• 保存完整提示词、附件和输出时间。
• 分别检查事实、引用、拒答与格式遵循。
• 换一人按记录复现，确认结果差异方向一致。

若某项只能由供应商演示或管理员完成，就把它标为尚未验证。未验证不是缺点，把未验证写成成功才是问题。

编辑部状态标记

比较模型时先建立可复现记录。没有版本、输入和评价口径的“更好用”只是个人印象。

一次测试足以发现明显问题，却不足以证明稳定。把原始输入、失败样本和复核人一起留档，下一次模型或权限发生变化时，团队才能分清是工具退化，还是任务条件已经不同。如果记录只能说明“体验不错”，它就还没有成为能被另一名成员继续维护的证据。在下结论之前，至少让另一位未参与测试的人按记录重做一次。