这个提示词用来做什么

有人拿一份模型或 agent 的跑分来推动选型或立项。会逐条核对统计口径、测试环境与可复现性，判断它够不够格当依据，给出来源与结论即可，可指定这项决策的重要程度。

提示词全文

有人给了我一份模型或 agent 的评测分数，我想判断它能不能作为选型或立项的依据。请你按下面的清单帮我逐条核对，不要复述宣传口径。

## 输入
分数来源：{厂商博客 / 第三方榜单 / 内部测试}
被测对象：{模型或 agent，版本号}
分数内容：{具体数字与它对应的基准}

## 输出
1）口径核对：这个分数测的是哪套任务、判定标准由谁定、允许多少人工干预；把「统一标准环境」与「厂商自定义运行环境」分开标注，凡是没有第三方可复现路径的，一律归为厂商口径。
2）公平性核对：同榜单里其他参与者的分数是否用同一口径得到；如果有参与者用了不同环境，指出差额有多大。
3）可复现性：要复现这个分数，需要什么条件（算力、数据、私有适配器、固定随机种子），其中哪些是外部拿不到的。
4）自测建议：给出一套 3-5 个任务的自测方案，直接用我们自己的数据，写清通过标准与对照基线；优先选「做错了会很明显」的任务，而不是分数好看的。
5）结论：给出「可作为依据 / 只能作为参考 / 不足以作为依据」三选一，并写清理由和还缺什么证据。

请把不确定的地方明确标出来，不要替我补全没写明的假设。

怎么用

  1. 把上面的提示词全文复制到对话窗口或工作流里。
  2. 把花括号占位符（如 {任务描述}）替换成你自己的内容。
  3. 条目越具体，产出越稳定；不需要的条目可以直接删掉。

输出示例

它会把「同一模型两个分数」这类情况直接摊开：换一套运行环境就能多出几十分，那这个数字反映的是环境而不是能力。第 4 步的自测方案通常才是真正能拍板的东西——用自己的数据跑一遍，比争论榜单可信得多。

基本信息

  • 分类：技术选型
  • 标签：评测 · 口径 · 可复现 · 基准 · 选型
  • 收录日期：2026-10-05

同类提示词