新模型发布，除了跑分还该看什么

模型发布时，排行榜很容易吸引注意。但选择日常工具，还需要回答一个更具体的问题：它能不能把你手头的工作做好？可以准备一份固定的小测试，之后每次遇到新模型都用同一套材料。

先确定完成标准

选几项经常发生的任务，例如整理会议记录、修改文章和解释一张表。每项任务都写清楚要求。整理会议记录时，要包含待办、负责人和截止日期；原文没有提到的内容，应明确标为缺失。这样才知道模型完成的是哪一部分，而不是只凭读起来顺不顺来评价。

把修改时间算进去

保存第一次输出，记录需要补充几轮指令、删改哪些内容，以及最终是否采用。如果生成很快，却要花很久核对和重写，节省的时间可能没有想象中多。相反，有些结果看起来朴素，却能直接进入下一步工作。两者值得分开记录。

留意测试的边界

同一个任务可以隔天再试，也可以换一份长度接近的材料。少量测试只能说明这些样本中的表现，不能据此概括所有能力。比较时还要记录模型版本、是否联网、是否启用了额外工具，以及实际费用。

做完后，不必给所有模型排出一个总榜。为写作、资料整理和其他常用任务分别保留合适的选择，通常更容易使用。等你的工作发生变化，再调整这张选择表。