同一个模型不同时间的输出质量有波动

同一条 prompt，周一跑和周五跑，感觉质量不一样。

可能原因：

1. 上游负载不同，高峰期可能降级（有些平台会这么干）
2. 模型在灰度更新，不同请求打到不同版本
3. 自己的判断受状态影响（这条不能忽略）

验证方法：固定一批样本，每天同一时间跑，记录得分曲线。

我跑了两周，确实看到波动，大约 3-5 个点。不算大，但对质量敏感的场景要留意。

应对：重要输出加自动校验，不依赖单一调用的质量。