我之前也遇到过，后来发现是 xxx

现在各种模型跑分满天飞，但真用起来和榜单差距挺大。我觉得几个原因：

1. 刷榜：有些厂商对着榜单优化，换个题就露馅
2. 题目泄露：训练数据里可能混进了评测题
3. 场景不对：榜单是通用题，你的场景可能是垂直的

所以我一直建议：别迷信榜单，拿你自己的真实任务，小样本测一下，比看一万个跑分都准。

建议先看官方文档，很多坑文档里都写了

最近用 AI 做了个古风短剧，流程分享下：

1. 让 LLM 写剧本和分镜，一次出 10 集的分镜表
2. 生图模型出角色立绘和场景图
3. 图生视频（wan2.2）生成动态画面
4. 配音 + 剪辑合成

最难的就是角色一致性，我的办法是：固定 seed + 详细的外貌描述（发色、服饰、额头的印记这种标志性特征都写死），每次出图都带上同一段描述。

这样出来的角色虽然不能 100% 一样，但观众基本认得出是同一个人。比之前动不动就「换脸」强多了。

花了 3 天做了个中文写作评测，测了 3 个模型：

测试维度：

1. 文案创作（广告语、公众号标题）
2. 技术文档（API 文档、教程）
3. 文学创作（小说、散文）
4. 商务写作（邮件、报告）

测试结果：

结论：

• Qwen 中文最自然，适合文案创作
• GPT-4 技术文档最强，但翻译腔重
• DeepSeek 性价比最高，综合表现不错

我的选择：

• 写公众号用 Qwen
• 写技术文档用 GPT-4
• 日常问答用 DeepSeek

详细评测数据我整理成表格了，需要的私我。