参考资料

• OpenAI Evals
• HELM

大模型基础（04） - 模型能力边界与应用选型

读完后，你应能：

• 能收集正常、边界、攻击和失败样本，并用执行结果与正文成功条件验收。
• 能固定 Prompt 与解析器，对候选模型重复运行并记录置信区间。
• 能设置质量门槛后，再在合格模型中优化成本和延迟，并用执行结果与正文成功条件验收。

用任务评测选择模型，而不是用榜单分数替代业务质量、延迟、成本和合规判断。

一、先建立全局：模型能力边界与应用选型 是什么？

理解“模型能力边界与应用选型”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“模型能力边界与应用选型”的第一个核心判断是：真实系统的问题通常不在 API 能否调用，而在输入边界、错误恢复和验收证据是否明确。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	为什么需要它	真实系统的问题通常不在 API 能否调用，而在输入边界、错误恢复和验收证据是否明确。
2	核心决策	先把任务拆成抽取、分类、检索、生成、工具调用和推理，再为每类定义数据集。
3	落地步骤	收集正常、边界、攻击和失败样本。 -> 固定 Prompt 与解析器，对候选模型重复运行并记录置信区间。 -> 设置质量门槛后，再在合格模型中优化成本和延迟。
4	决策记录怎么写	上线前不要只留下“采用 模型能力边界与应用选型”这一句结论。
5	生产避坑	公开榜单与真实输入分布不一致。
6	故障演练	注入与“公开榜单与真实输入分布不一致。 -> 注入与“单次人工体验无法估计稳定性。 -> 注入与“忽略限流、区域和供应商故障会放大上线风险。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["为什么需要它"] --> S2
  S2["核心决策"] --> S3
  S3["落地步骤"] --> S4
  S4["决策记录怎么写"] --> S5
  S5["生产避坑"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“模型能力边界与应用选型”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“模型能力边界与应用选型”的对象和顺序已经明确后，再看可观察的失败：模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、为什么需要 模型能力边界与应用选型

真实系统的问题通常不在 API 能否调用，而在输入边界、错误恢复和验收证据是否明确。本章给出可以进入设计评审和生产检查的最小框架。

三、模型能力边界与应用选型的核心决策

• 先把任务拆成抽取、分类、检索、生成、工具调用和推理，再为每类定义数据集。
• 比较正确率、引用忠实度、P95 延迟、单位请求成本、并发上限和数据驻留要求。
• 小模型处理路由和抽取，强模型处理低频复杂推理，通常比全量调用强模型更稳。

四、模型能力边界与应用选型的落地步骤

1. 收集正常、边界、攻击和失败样本。
2. 固定 Prompt 与解析器，对候选模型重复运行并记录置信区间。
3. 设置质量门槛后，再在合格模型中优化成本和延迟。

五、模型能力边界与应用选型的决策记录怎么写

上线前不要只留下“采用 模型能力边界与应用选型”这一句结论。把每个决策和验收证据放在同一张表里，后续模型、数据或流量变化时才能重跑对比。

需要回答的问题	当前决策	必须保留的证据
决策 1	先把任务拆成抽取、分类、检索、生成、工具调用和推理，再为每类定义数据集。	对应步骤 1 的数据集、日志或压测结果
决策 2	比较正确率、引用忠实度、P95 延迟、单位请求成本、并发上限和数据驻留要求。	对应步骤 2 的数据集、日志或压测结果
决策 3	小模型处理路由和抽取，强模型处理低频复杂推理，通常比全量调用强模型更稳。	对应步骤 3 的数据集、日志或压测结果

下面的记录可以直接放进项目设计文档。阈值由真实评测集和 SLO 决定，不使用脱离业务的固定“最佳值”。

topic: 模型能力边界与应用选型
baseline:
  version: required
  dataset: required
candidate:
  version: required
  change: required
acceptance:
  quality: business_threshold
  p95_latency_ms: service_slo
  cost_per_success: budget_limit
rollback:
  trigger: any_acceptance_regression
  owner: named_on_call

六、模型能力边界与应用选型的生产避坑

• 公开榜单与真实输入分布不一致。
• 单次人工体验无法估计稳定性。
• 忽略限流、区域和供应商故障会放大上线风险。

七、模型能力边界与应用选型的故障演练

1. 注入与“公开榜单与真实输入分布不一致。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。
2. 注入与“单次人工体验无法估计稳定性。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。
3. 注入与“忽略限流、区域和供应商故障会放大上线风险。”对应的失败条件，记录用户侧现象、Trace 中的首个异常 Span 和恢复动作。

演练必须能回答三个问题：故障是否在预算内快速失败，是否会越权或产生重复副作用，恢复后是否能用同一数据集证明质量没有退化。只有错误日志、没有用户影响和恢复证据，不能算完成排障。

验收清单

• 关键输入、输出、预算和停止条件都有结构化记录。

八、动手验证：先跑通 模型能力边界与应用选型，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“模型能力边界与应用选型”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

8.1 基线与候选只允许一个变量不同

验证“模型能力边界与应用选型”时，先固定模型、Tokenizer、消息序列、输入输出 Token 预算、参数和错误样本。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“模型能力边界与应用选型”时，动作是：记录请求到流式完成的各阶段，比较正常、超限、认证失败、限流和中断路径。原始结果不能只保留截图或汇总分数，必须同步保存：最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	固定模型、Tokenizer、消息序列、输入输出 Token 预算、参数和错误样本
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应
通过阈值	输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功
立即停止	模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交

8.2 执行前先排除不可比较条件

“模型能力边界与应用选型”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“模型能力边界与应用选型”的当前环境重复运行。
• 候选只改变一个与“模型能力边界与应用选型”结论直接相关的条件。
• “模型能力边界与应用选型”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “模型能力边界与应用选型”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

8.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“模型能力边界与应用选型”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	固定模型、Tokenizer、消息序列、输入输出 Token 预算、参数和错误样本
过程可回放	记录请求到流式完成的各阶段，比较正常、超限、认证失败、限流和中断路径
结果可审计	最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应

“模型能力边界与应用选型”的一次合格基线对照按以下顺序执行：

1. 保存“模型能力边界与应用选型”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“模型能力边界与应用选型”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“模型能力边界与应用选型”：记录请求到流式完成的各阶段，比较正常、超限、认证失败、限流和中断路径。
4. 为“模型能力边界与应用选型”保存：最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应。
5. 使用“模型能力边界与应用选型”预登记条件判断：输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功。
6. 如果“模型能力边界与应用选型”未通过，不修改第二个变量，先恢复基线并保留失败现场。

九、用一张矩阵验证 模型能力边界与应用选型 的关键结论

矩阵按正文顺序列出“模型能力边界与应用选型”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
为什么需要它	真实系统的问题通常不在 API 能否调用，而在输入边界、错误恢复和验收证据是否明确。	只改变与“为什么需要它”相关的条件	最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应
核心决策	先把任务拆成抽取、分类、检索、生成、工具调用和推理，再为每类定义数据集。	只改变与“核心决策”相关的条件	最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应
落地步骤	收集正常、边界、攻击和失败样本。 -> 固定 Prompt 与解析器，对候选模型重复运行并记录置信区间。 -> 设置质量门槛后，再在合格模型中优化成本和延迟。	只改变与“落地步骤”相关的条件	最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应
决策记录怎么写	上线前不要只留下“采用 模型能力边界与应用选型”这一句结论。	只改变与“决策记录怎么写”相关的条件	最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应
生产避坑	公开榜单与真实输入分布不一致。	只改变与“生产避坑”相关的条件	最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应
故障演练	注入与“公开榜单与真实输入分布不一致。 -> 注入与“单次人工体验无法估计稳定性。 -> 注入与“忽略限流、区域和供应商故障会放大上线风险。	只改变与“故障演练”相关的条件	最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应

9.1 记录本次实际实验

下面的记录用于“模型能力边界与应用选型”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "模型能力边界与应用选型"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "记录请求到流式完成的各阶段，比较正常、超限、认证失败、限流和中断路径"
evidence: "最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应"
pass_when: "输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功"
stop_when: "模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

9.2 边界实验必须证明能够停止和恢复

成功路径只能证明“模型能力边界与应用选型”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	最终消息、Token 统计、模型标识、状态码、结束原因、TTFT、TPOT 和原始响应	输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：按客户端、网关、应用、模型服务和解析边界定位首个偏差并保留原错误	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“模型能力边界与应用选型”，第一步是：按客户端、网关、应用、模型服务和解析边界定位首个偏差并保留原错误。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“模型能力边界与应用选型”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

十、模型能力边界与应用选型 的结果解释

解释“模型能力边界与应用选型”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交	先执行：按客户端、网关、应用、模型服务和解析边界定位首个偏差并保留原错误
异常链路无法恢复	模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交	先执行：按客户端、网关、应用、模型服务和解析边界定位首个偏差并保留原错误
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“模型能力边界与应用选型”只有同时满足“输入输出符合接口与上下文预算，异常可分类，密钥不落日志且中断不冒充成功”，并且没有出现“模型或 tokenizer 不匹配、静默截断、错误无限重试、流式半成品被提交”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“模型能力边界与应用选型”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“模型能力边界与应用选型”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十一、模型能力边界与应用选型 的发布判断

发布判断需要把“模型能力边界与应用选型”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “模型能力边界与应用选型”的基线与候选只存在一个计划内变量。
• “模型能力边界与应用选型”的输入、代码、依赖、配置和数据版本可以追溯。
• “模型能力边界与应用选型”的正常、临界、失败和恢复样本使用同一套断言。
• “模型能力边界与应用选型”的原始输出、中间状态和失败现场已经保留。
• “模型能力边界与应用选型”的日志、Trace、截图和测试数据已经脱敏。
• “模型能力边界与应用选型”的停止条件、负责人和回滚入口已经演练。
• “模型能力边界与应用选型”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“模型能力边界与应用选型”的判断，就不能发布。

十二、总结

• 核心决策：先把任务拆成抽取、分类、检索、生成、工具调用和推理，再为每类定义数据集。
• 落地步骤：收集正常、边界、攻击和失败样本。 -> 固定 Prompt 与解析器，对候选模型重复运行并记录置信区间。 -> 设置质量门槛后，再在合格模型中优化成本和延迟。
• 决策记录怎么写：上线前不要只留下“采用 模型能力边界与应用选型”这一句结论。
• 生产避坑：公开榜单与真实输入分布不一致。
• 故障演练：注入与“公开榜单与真实输入分布不一致。 -> 注入与“单次人工体验无法估计稳定性。 -> 注入与“忽略限流、区域和供应商故障会放大上线风险。