同一个问题问两边，真正拉开差距的通常不是「懂不懂」，而是从第几步开始丢约束。单约束、答案唯一的提问，两层级模型给出的结果经常可以互换；一旦提问里同时存在多个必须满足的条件、跨段落的长上下文，或有明确的输出格式要求，差别就会集中到指令跟随、事实密度、格式稳定、改写幅度这四类可观察行为上。所以判断多花的时间值不值，要落到同题对比的记录条目上，而不是整体印象。

适用场景：需要判断轻量模型能否接手某类日常任务。操作动作：锁定提示词与参数，只换模型名，对同一批多约束、长上下文、严格格式、需取舍、含歧义的问题各跑一遍并逐条记录。验证方式：看差异落在指令跟随、事实密度、格式稳定还是改写幅度，再决定升级还是回落。风险边界：单批样本有限，结论只对该类问题成立，换问题类型需要重新对比。

选一组能暴露差异的问题，而不是随手一问

随手一问的对比没有解释力，因为两侧可能都正确，也可能都错在同一处。建议按下面五类各准备一到两题，同一批题在两边都跑。

• 多约束：一道题里放三到五个必须同时满足的条件，比如字数上限、必须包含的字段、明令禁止出现的表达。这类问题测的是模型会不会顾此失彼。
• 长上下文：把关键约束埋在长材料的中间或末尾，再提问。测的是长文里对约束的保持能力，与摘要质量是两回事。
• 严格格式：要求输出 JSON、固定字段的表格或固定标题层级。测的是结构稳定性，以及输出能否直接交给程序解析。
• 需要取舍：给出信息不足或互相冲突的材料，要求模型取舍并说明理由。测的是会不会硬编一个答案、会不会承认不确定。
• 含歧义：提问里留一个可两解的词，不做额外澄清。测的是模型选择追问，还是替你猜一个方向再补上假设。

固定提示词和参数，只改模型名这一个变量

要让差异可归因，提示词和参数必须锁死。下面的模板可以直接改用，把角色、约束和输入替换成你自己的内容。

你是<角色>。请针对下面的输入完成任务。
硬性约束：
1) 输出不超过 <N> 字；
2) 必须包含字段：<字段A>、<字段B>；
3) 不要出现 <禁止表达>；
4) 若输入信息不足，先列出缺失项，再给出最保守的答案。
输入：
<同一段原文，长度、顺序、标点完全一致>

除模型标识外，建议保持一致的项目包括：系统提示词或开发者提示词的完整文本、温度与其他采样参数、最大输出长度、是否开启结构化输出或 JSON 模式、工具与检索开关、提问顺序与轮次、上下文裁剪长度。第一次先跑一边记下基线，再换模型名重跑一遍。参数不一致时，输出差异无法归因到模型层级。

逐条记录输出差异并归类

记录的目的，是把「感觉更好」变成可对照的条目。每条至少记下这些字段：

• 编号与任务类型（多约束／长上下文／严格格式／需要取舍／含歧义）
• 提示词版本号与两侧的模型标识
• 是否满足全部硬性约束，漏了哪一条
• 与输入材料对照后的事实错误、遗漏或凭空补充
• 输出能否被解析器直接解析，是否需要人工修格式
• 相对原文的改写幅度：只改措辞、重排结构，还是改变了原意
• 备注：主观判断的地方写清楚判断依据

归类时按行为落点，而不是按「谁更好」。例如同一条多约束题，一侧满足字数但漏掉字段B，属于指令跟随差异；另一侧字段齐全，却补上了材料里没有的时间点，属于事实密度差异；同一道格式化题，一侧返回带代码围栏的 JSON，需要剥壳才能解析，属于格式稳定差异；同一段改写题，一侧保留原文结构只调整措辞，另一侧重写成新段落，属于改写幅度差异。同一道题在两侧可能落在不同类别，这本身就是结论。

判断差异来自模型层级还是提示词

差异出现后，先不要归因到模型层级，提示词本身经常是主因。可以用三种做法依次排除：

1. 同条件重跑一次：提示词、参数、输入都不动，再跑一遍。观察点在同一模型两次输出之间的差异有多大。如果同模型两次的差别不小于两侧模型之间的差别，说明结论不稳，样本还不够。
2. 换提问顺序：把同一批题倒序再问一遍。观察点在某题的结果是否随前后文变化。如果某题在换了顺序之后才变差，问题更可能出在上下文里的干扰内容，而不是模型层级。
3. 缩短上下文：把长材料裁到只留必需段落，同一问题再问。观察点在差异是否消失。若缩短后两侧结果接近，说明瓶颈在上下文长度与信息密度，选型时应按输入长度来分，而不是按问题难度分。

如果三种做法之后差异仍然稳定复现，并且集中在同一类行为上，再考虑它是模型层级带来的差距。

按任务类型决定默认用哪个

有了分类记录，选型可以写成默认值加切换条件，而不是每次临时判断。

建议把触发条件写进团队的任务约定里，例如多约束、长文、格式要求严格这三类问题默认走中高端模型；一旦轻量模型在同类任务上连续稳定通过，再把它移回默认。触发条件看的是行为是否复现，不是一次输出好不好看。