同一份 prompt 跑 20 次，四家模型输出稳定率差得比想象中大

测法很土但有效：同一份 prompt（结构化抽取，要求输出固定 JSON 字段），每个模型跑 20 次，temperature 都设 0，看结果完全一致的比例。

结果（只代表我这个任务，不代表通用能力）：

• 模型 A：20/20 一致
• 模型 B：17/20，三次差异都在数组顺序上
• 模型 C：12/20，字段名偶尔变体（product_name / productName）
• 模型 D：9/20，还会漏字段

结论不是谁强谁弱，而是：temperature=0 不代表确定性。批处理、缓存、回归测试这类场景，稳定性比单次质量更重要。

做法上的两条：

1. 用 JSON Schema 约束输出，比在 prompt 里写「必须输出 JSON」有效得多
2. 对顺序敏感的结果，自己排序后再比对，别让模型决定顺序

最后提醒：稳定率会随 prompt 长度下降。我这份 prompt 800 字左右，超过 2000 字之后 B 的一致性掉到 14/20。上线前拿自己的真实 prompt 测，别抄别人的结论。