一句话结论模型选择的第一原则：输入可复现——同样的输入要能得到同样的结果。
先把模型选择的边界说清：它负责算，不负责判断。判断要靠你懂口径——本篇的任务就是把口径讲到你能判断为止。
一个人用模型选择最怕没对照。本篇给了核对清单，按条打钩，结果就是可交差的。
先区分两件事：模型选择算出来的数，和你真正要用的数。两者之间差的那个口径，就是本篇要讲的东西。
- 结果只作参考的，把参考口径写在旁边
- 关键数字单独核一遍，不依赖单一来源
- 先跑一个已知答案的例子，验证工具没坏
为什么同样的输入结果不同
模型选择的可靠性挂在流程上，不挂在工具上。同样一张表，单位统一和混用，结果是两个世界。用熟之后，模型选择不再是按钮，它成了流程的一段。流程固定了，版权心里没底就让位了。
模型选择出错的剧本几乎每次一样：输入格式、参数口径、四舍五入位置。核对消耗的时间比计算大得多，所以有效的方法都在简化核对。同一个输入存成模板，出错率只剩手工输入的三分之一。
模型选择适合用在什么场景
模型选择有个前提要先立住：你的输入本身是可信的。口径写清楚之后，加班时长才谈得上——不然你连对比的基准都没有。记住这条，你就不会拿错误结果去交差。
模型选择解决的是计算和整理的问题，不替你做决定，也不替你担责。承认口径差异后，模型选择的结果就该按你的任务场景选。边界画清楚了，操作反而简单。
把模型选择嵌进固定流程
让工具替你分担：模板固定在位，常见错误加一道校验。每加一个参数问一次是否必要，三个月后回看，一半可以删。流程稳定、效率渐增，加班时长才会从偶尔变成常态。
用「批次」而不是「单次」衡量模型选择：单次快慢是噪音，批次稳定才是信息。这个动作比任何检查软件都实在，因为判断是你自己的。
提前写好异常版本：输入缺失、格式不对、结果异常时怎么办。新流程挂在已有习惯后面，能免费继承稳定性。
这些情况别信模型选择的结果
模型选择不是万能的，有些任务硬用它反而更慢。输入本身可疑、口径不明、来源不一，这三类先解决输入再说。该走官方渠道的数字，别省那一趟。
写模型选择的文章常省略一件事：什么情况该找专业渠道。数据量超出工具设计范围时，结果可能静默出错，反而最危险。持续对不上官方口径，说明参数或算法理解有偏差。能长期用工具的人，都知道工具的边界在哪。
这些输入会让模型选择白算
第二个坑是拿单次结果下结论：一次异常不可怕，可怕的是没核对就用了。把核对从「凭感觉」变成「按清单」，情绪就没机会插手。先跑通，再提速，顺序反了容易全盘报废。
第四个坑是无留痕：没有留档的模型选择结果，出错时连复盘的线索都没有。第一周能跑通，第三周必出幺蛾子。判断标准：你开始跳过核对了，风险就来了。
- 跑批前先用一条已知答案试
- 在日历上标出政策/口径的复查日
- 给结果区截图，附一行口径备注
- 把默认参数抄下来，和自己的需求对一遍
- 每周回看一次出错记录，只改一处
- 把最常出错的那一步加一道校验
常见问题
生成的内容有版权吗
各平台规则不同且在变化。商用前看服务条款，重要物料保留生成记录。
公司数据能传上去吗
先看公司制度。原则上客户信息、未公开财务、源代码都不进公开模型。
提示词写多长合适
结构比长度重要：任务、背景、格式、示例四件套齐了，几十个字就够用。
模型选择需要会编程吗
不需要。本篇全部用对话和现成工具完成，涉及代码的部分给了可直接复制的模板。
对模型选择最诚实的总结：它可靠，但可靠是设计出来的，不是天生的。两周跑顺，三个月成流程。今天从一条数据开始，把规范写下来，剩下的交给重复。
模型选择奖励的是没人围观的老实批次。跑小、跑稳、记下来，一个月后问题就不再是会不会用，而是下一步把哪段自动化。