如何比较 ChatGPT 回答品质：可重复的小型测试

拒绝凭感觉评测！建立个人可复现的基准测试集（Benchmark）：设计多维度逻辑陷阱、代码重构与长文提取评分量表。

一、为什么凭感觉评测不可靠

人类的瞬时情绪和随机抽样极易带来认知偏差。
要真实评估模型近期是否出现质量波动，必须建立一套固定的、包含标准参考答案的小型评测集（Personal Benchmark）。

二、推荐包含的三大经典评测维度

1. 复杂逻辑陷阱测试：设计包含隐含矛盾前提的算术或推理题（如经典的年龄倒推、空间逻辑位置题），检验推理深度；
2. 边缘语法代码重构：要求模型指出一段包含细微内存泄漏或并发死锁的短代码中的具体缺陷；
3. 超长文档信息提取：给出一段数千字文本，要求提取其中特定段落中的隐蔽数值，检验注意力衰减程度。

三、评分执行规范

每次测试保持 Temperature（温度）与提示词完全一致，连续运行 3 轮并取平均表现得分。
核心排查框架参考：[ChatGPT 回答品质排查总指南](https://aihuiyuan.club/articles/chatgpt-stealth-downgrade-detection-fix)。