多模型测试先按任务分层再比较结果

这是一次个人使用后的选型笔记。我以前会给多个模型同一条提示词，然后按“哪一个回答更好”做主观选择。后来发现，只要任务类型不同，评价标准就应该不同；把聊天、代码生成、长文档分析和批处理混在一起测试，结论通常不稳定。