选择 AI 模型：先定义任务，再比较结果

把需求写成可检查的条件

“想要一个最强模型”无法指导验收。把需求改成可判断的结果：客服答案必须引用知识库；表格抽取必须保留行数；代码建议必须通过现有测试。先定义什么算错，再决定如何打分。

1. 输入：纯文本、图片、音频还是文档？是否包含敏感信息？
2. 输出：自然语言、符合 schema 的 JSON、工具调用还是媒体文件？
3. 运行约束：上下文长度、响应时间、失败后的人工处理方式。

用目录缩小候选范围

在支持模型页面按能力筛选，选出少量候选系列，再到厂商资料核对具体版本。不要把视觉理解和图像生成当成同一种能力，也不要把系列名直接写进 model 参数。

在 api-turbo 中，候选模型还必须有已启用渠道，并允许你的密钥访问。目录收录、底层适配和账户可用是三个不同条件。

做一张可复用的评测表

准备覆盖常规、困难、信息不足和异常输入的样本，保留预期结果。让候选模型使用相同输入与输出要求；涉及随机生成时，记录参数并重复关键样本。

逐条记录：是否正确、是否遵循格式、是否需要人工修改、首个有效输出耗时和总耗时。输出长度不同会影响总耗时，比较时必须保留这个背景。

小范围上线，再持续复查

先将少量非关键任务接入，记录错误类型而不只看平均分。模型 ID、版本或渠道变更后重新运行样本。替换模型还可能改变工具调用与 JSON 行为，需要回归检查。

这里提供的是评估方法，不是 api-turbo 的实测排名。没有公开测试集、测试日期和方法的数字，不应当作为性能承诺。