昨晚，我又被模型榜单绕晕了

周四晚上 11 点，我在杭州家里给客户改销售文案。Claude、GPT 和几个新模型排来排去，评论里还有人说“新王登基”。我盯着那张表半小时，最后反而没敢选——因为我真正要的，是 300 字内把语气改准、别乱编事实、费用也别超预算。这事我以前也干过：榜单看得越多，决策反而越慢。

分数有用，但它不是你的工作成绩

Artificial Analysis 给 Claude Fable 5.2 的综合分是 65，是目前页面上的最高分。它可以理解为一个公开的“统一考场”，帮助我们看模型在推理、速度和价格等维度上的大致表现。但考试题未必等于你每天写的文案、做表格或整理客户资料。

我认识一位做个人 IP 的朋友林悦，在成都经营职场账号。她没有照着榜单换模型，而是把同一篇 800 字稿子分别交给三个模型，再检查事实错误、修改次数和单篇成本。另一个用户阿杰，在深圳给 1 人公司做客户邮件，也用真实旧邮件做小测试。模型名称会换，验证办法却比较稳。

今天复刻：0 元也能做第一轮

复刻成本可以说得很低：钱是 0 元，先用现有聊天工具的免费额度；时间是 90 分钟；技术门槛是，会复制一段任务并比较结果，不需要懂代码。第一步，打开 Artificial Analysis 的模型页面，找到 Claude Fable 5.2，点进它的价格、速度和能力明细，再写下你本周最常做的一项任务。

然后拿 3 个真实样本各跑一次：写一段客户回复、整理一份会议记录、把长文改成短帖。每次都记录“一次通过还是重改”“有没有编造信息”“花了多少钱”。我也曾把提示词写得太复杂，结果测了半天才发现，原本一句“只使用原文信息”就够用了。

如果你，我会这样选

如果你刚起步，我会先不换工具：挑一个正在用的模型，用 3 个真实任务测出它哪里够用，避免为了榜单多花钱。如果你有 1—2 个稳定客户，我会做一张小表，每周记录质量、耗时和费用；像林悦那样用旧稿做对照，比追逐每次榜首更可靠。如果你在扩规模，我会把最常见的 5 类工作固定成测试集，再比较候选模型，并把资料来源和人工复核写进流程。

这工具不是所有人都需要。不想研究榜单，现在不试也没事；你也可以先把自己的任务清单列出来。能帮我们做决定的，不是最高分，而是哪项分数最接近客户愿意付钱的那个结果。