Space Bunny 和付费模型答案冲突时，先别按整体印象选。更常见的变量是措辞、会话历史、任务类型。判断顺序可以固定：先用有唯一答案的小任务建立基准，再用同一条提示词各跑一遍，把差异落到任务类型上，冲突时用原始资料和可运行结果裁决，最后按任务分工。

两个模型答案不一致，先把它当成提问条件没对齐，而不是模型强弱。做法是固定提示词和会话状态各跑一遍，用可判定的小任务做基准；事实冲突查原始资料，代码冲突跑一遍，措辞冲突换问法复问。日常问答和代码辅助可以按任务分工；对外发布的事实、法务、财务、医疗和安全配置仍要人工复核，模型自述不能当依据。

先选一个有明确答案的小任务做基准

先挑能自己判对错的任务，每类准备两到三题，标准答案自己留着，不提前告诉模型。

• 事实型问题：选有唯一书面来源的短问题，比如某条命令的参数含义、某协议字段的取值。判定看能否在原始资料中找到一致表述；把答案改掉就算错。
• 简短改写：给三到五句原文，要求不改变结论、数字和否定词。判定前先列必须保留的信息点，把「不一定」改成「不会」就算错。
• 固定输入的计算或代码片段：给相同输入，让模型算结果或给可运行代码。手工算一遍，或把代码原样跑一遍，不看代码像不像。

这一步把「感觉哪边好」换成「哪边在可判定的题上出过错」。两边错误接近，就说明后面要靠任务类型分工，而不是整体选一个。

用同一条提示词分别跑一遍

提示词、输入和输出要求写在同一段里，两边原样复制。骨架如下：

任务：根据输入回答问题
输入：{{原文或代码}}
输出要求：
1. 只给答案，不要额外解释
2. 不确定时写「不确定」
3. 涉及事实时给出你依据的原文片段

先新开会话，一次性发出，先跑 Space Bunny，再新开会话跑付费模型；担心顺序影响就交换顺序再跑一轮。不要在同一个会话里追问另一个模型。必须多轮的长文档，把第一轮内容重新贴进第二轮提示词，保持上下文一致。

记录用固定字段：编号、任务、提示词版本、模型、会话状态、完整输出、判定、备注。备注写具体差异，比如漏掉适用条件、把否定改成肯定、代码用了不存在的参数。

把差异放到四类任务上看

不给模型打总分，四类各记一条具体观察。

• 事实准确性：同一问题上，哪边给出能在原始资料中定位的取值，哪边只给概括；条件漏没漏，单独记。
• 结构完整性：要求的字段有没有全部出现，有没有把两个条件合并或省略。
• 语言风格：有没有改掉否定和限定词，有没有把简短答案扩写成大段解释。
• 长文本处理：把关键约束放在输入靠后，回答是否仍然遵守；只答前半段就单独记一条。

观察几轮后，常见的是偏结构的一方和偏语言的一方，长输入上也可能分出差异。这时分工规则就有依据了。

回答不一致时怎么判断谁对

不看模型怎么解释自己为什么对，按下面三条路径验证。

1. 查原始资料：对照规范、源码、手册或手上的原始文档。能排除凭训练记忆编造的情况。边界是资料本身也要确认版本，过期资料不能作为最终依据。
2. 把代码跑一遍：两边代码放在隔离目录，输入用同一份。能排除参数不存在、依赖缺失、看似能跑实际跑不通。单次运行只覆盖你给的输入。
3. 换一种问法复问：保留同样输入和输出要求，换掉问法再问两边。换法后仍冲突，更像模型知识差异；一边改口，说明原提问有歧义。复问只减少歧义，不能证明答案正确。

三条都走不通时，标记为待确认，不要直接采用任何一边。

按任务分工而不是只留一个

把记录合成分工规则，每个任务都有默认选择和复核动作。

必须人工复核的场景不要省：对外发布的事实和数字、法务财务表述、医疗和安全配置、会改真实数据的脚本、两边冲突且原始资料也无法裁决的问题。模型输出只是草稿。

规则建议固定周期复看，例如一个季度看一次记录；模型版本变化、提示词模板改动，或同一类任务反复出现错误，就提前复看。复看时优先改规则，不要只改单次结果。