测评不是排榜，而是判断什么条件下值得用

**标题：测评不是排榜，而是判断什么条件下值得用**

**【结论层】** AI 测评最容易犯的错误，是把一个分数变成所有人的采用结论。我把测评分成两次判断：第一，为什么值得测——用「市场重要性 × 个人关联度」区分旗舰测评、市场雷达、个人实验室和低优先观察；第二，测完怎么看——用「能力表现 × 现实使用价值」区分强能力高价值、强能力低价值、有限能力高价值和低能力低价值。最强模型不一定最适合当前任务；综合能力一般的工具，也可能在一个真实工作流里最有价值。

**【机制层】** 好测评要求事前固定检查项：同题、同来源、同权限，记录事实错误、关键遗漏、证据追溯、时间、返工和成本；不可用对象记为 not-run，不静默替换。

**【首轮真实结果（2026-10-22）】** 按上述框架完成了首轮轻量任务域实测（两类任务 × 两模型 + 一渠道）：联网事实核验与研究助理两任务，GLM-5.3-Flash 与 GLM-5.3 全部通过事前检查项（Flash 更快、GLM-5.3 更精细）；qwen3.7-plus 渠道本轮无法启动，如实记为不可用而非能力差。结论只适用本轮任务域，附推翻条件与复测入口。

**【证据层】** 事前检查项先于产出固定；原始输出与评分留档（证据文件 SHA256 bbd9d278…，全量见 Linear BASIC-373）。

*更正与补充：elvis9.com 关于/纠错。*