对比两个版本的效果，忘了固定随机种子

改了一版提示词，感觉效果变好了，跑了个对比，结论是新的好 15%。

但同事复现不出来。

原因：temperature 没固定，而且每次跑的样本顺序不同。

规范：

1. temperature 固定（评测用 0 或 0.1）
2. 样本顺序固定
3. 记录完整参数（模型版本、温度、max_tokens）
4. 同一配置跑三次取平均

这套做完，结论才可信。

评测最怕的不是方法粗糙，是结论不可复现。不可复现的结论会误导后续所有决策。