AI模型评测

用同一批脱敏任务记录完成时间、输出可用性、人工修改量和失败类型。体验结论必须标明版本、日期、入口和任务，不能泛化给所有用户。

建立“官方说明、测试输入、观察结果、限制”四列记录。未在自己账号跑过的能力写为待验证，不把宣传文案或其他版本的结果移植过来。

先测试结构化摘要、代码解释和含缺失信息的问答；分别标记可直接用、需复核和不可用，再决定是否进入团队流程。

优点或缺点必须对应具体版本与任务。用同一份测试卡记录格式遵守、引用可核对性、失败方式和接入成本，避免把印象当结论。

阅读评测时先查模型版本、日期、题集和评价方法。公开基准只能提供参考，仍要用自己的脱敏任务验证输出、成本和失败边界。

不要用一次回答或转述排行榜下结论。准备有标准答案的任务、容易出错的反例和评分规则，记录模型 ID、输入、输出与人工复核。

先写出你需要的是聊天、API、代码协作还是图文任务，再用同一测试卡比较。产品名称相似或单次输出更顺，不等于更适合你的流程。

没有一个对所有任务都更好的答案。先确认当前可选的具体模型，再用相同的中文写作、代码解释和资料核对任务记录结果。

用 VotingClassifier 组合三个分类模型，手算多数票与平均概率并和 API 输出对照，说明编码、同票规则和概率质量要求。

用 MultiOutputClassifier 训练三标签指示矩阵，核对目标列、逐标签概率与子集准确率，说明标签缺失和独立建模的限制。