比较两个模型时，怎样避免提示词和采样参数不同造成不公平结果？

先固定任务输入和评价目标

适用于一个模型收到更完整资料、另一个使用更短输出，最后却直接排名的比较。先保存系统要求、用户输入及可用工具，确认两者面对同一任务。模型能力不同可能需要各自适配，但应预先说明是比较统一输入表现还是各自优化后的系统，不将两种实验混在一起。

核对共同参数及各模型不同约束

核对温度、top-p与最大输出等实际生效配置，检查服务是否忽略不支持的参数。再比较上下文截断、重试和安全限制，避免一个模型失败后自动重试而另一个直接计错。固定种子也未必跨模型或设备等价，因此不能把同一个数值当作随机条件完全相同的证明。

保留每次输出与完整运行条件

以事先定义的问题集与评分标准运行，保留全部输出及错误，不只记录成功样本。对随机性明显的任务适当重复，并把实际参数和模型版本写入记录。评价者尽量不知道来源，必要时打乱顺序；质量与速度分开看，不能为了得到想要结论事后更改评分权重。

比较任务质量并报告可比范围

比较同任务的通过情况及典型失败，再核对不同题型和重复运行中的波动。报告样本量、设置及未能统一的条件，结论采用与证据相符的范围。成功是可追溯且公平的比较，不是某模型总分最高；少量题或一次运行，不能证明它在所有语言和全部任务都更强。

本文没有调用模型或给出排名、价格和性能结果。不同接口的采样支持会变化，需查实际版本。严格统一输入与各自最佳配置回答的是不同问题，二者都可研究但应清楚标注；若关键条件无法对齐，应说明不可直接比较部分，而不是用表面相同参数掩盖差异。