同一个问题问五次，答案稳定性可以当质量指标

做法：同一个 prompt 跑 5 次，temperature 设 0.7，看答案一致性。

一致：说明模型对这个知识点很确定。
不一致：要么知识模糊，要么问题本身有歧义。

有意思的是：一致的答案不一定对，但错误的答案往往不一致。所以不一致是个很好的「需要人工看一眼」的信号。

用法：

1. 生产环境抽样，跑三次，不一致的挑出来人工检查
2. 评测时把一致性作为指标之一

成本是三次调用，但能筛出大部分问题样本。