最近经常看到有人说GPT/ChatGPT某个时间段“降智”了，但很多时候又很难分清到底是真有能力变化，还是随机性、路由、系统提示词、上下文、限流之类造成的体感波动。想问问现在有没有比较靠谱、可长期重复的测试方法？最好不是只靠“问几个熟悉的问题看看感觉”。我目前想到的是：固定一套prompt，模型、参数、上下文尽量保