怎么判断好坏
排行榜不是唯一真相；要看任务是否匹配、会不会胡说、安不安全。
基准（Benchmark）与公开榜
- 公开榜方便横向对比，但可能被针对性优化；更好的办法是用你自己的 20–50 条真实任务做小评测集。
- 下面三个入口常被引用——点进官网看方法与局限，不要只记一个分数。
幻觉与人工抽检 checklist
- □ 关键事实（人名、数字、日期、法规条文）是否可在原文/官网核对？
- □ 引用的论文/链接是否真实存在？DOI / URL 能否打开？
- □ 是否要求模型「只根据给定材料回答」，并标出不确定处？
- □ 同一问题问两遍，结论是否大幅摇摆？
- □ 高风险领域（医疗/法律/财经）是否有人终审与免责声明？
- □ 密钥与隐私数据是否从未进入公有模型对话？
安全与产品体感
- 别把密钥、隐私数据、未授权客户资料贴进公有模型。
- 准不准、稳不稳、快不快/贵不贵（计价以官网为准）——三项分开记，别被 Demo 带跑。