什么是鲁棒性评测？抗干扰能力，别再混淆了

同一道题，换个说法模型就答错了——这种不稳，正是鲁棒性评测要抓的东西。它专门考模型的抗干扰能力：面对改写、噪音、误导和格式变化，表现还能不能保持。DeepSeek 或讯飞星火在你这里有时灵有时不灵的部分体验，往往就与稳定性有关。

抗干扰测的是什么

一句话：换件衣服还认识吗。把题目里的关键词换成近义词、调整语序、加错别字、套进角色扮演的壳，模型的正确率掉得少，说明稳；一改就懵，说明它背住的是表面形式，没真正理解。打个比方，像认人——只认得某件外套的人，对方换件衣服就认不出了；真认识这个人，穿什么都认得。类比失效之处：人换装仍有一贯的长相，而题目的改写可以改到语义都偏移，改写幅度多大算「同一道题」，本身就需要人为划定。

干扰都从哪里来

常见干扰四类：表述变化，同义改写与语序调整；噪音混入，长文本里插进无关内容，考验它能不能盯住主线，长文场景的考法见什么是大海捞针测试？长文本的考题；诱导偏差，提问时暗设倾向，看模型跟不跟着走；格式变化，同一任务换模板、换标点、换编号方式。

一次不稳算不算失败

不算，评测看的是比例和趋势。规范做法是构造同源题组——同一道题的多个变体打包成组，统计组内正确率的一致性。个别变体失手正常，整组大幅波动才说明真有稳定性问题。这也解释了为什么有时你重问一次，模型就答对了：不是它突然变聪明，而是上次恰好踩在波动里。题组设计还有讲究：变体之间既要像，又不能像到可以背答案，分寸全在出题人手里。评测里常做的就是把一道题改出十来个变体，全对才算这题过关，这也是「一致性」三个字的由来。一致性高的模型，你说一句话它就懂；一致性差的，同一件事要换三种问法碰运气。真实使用里干扰无处不在：用户话说一半、错字连篇、中途改主意，都是天然的压力测试。这也是为什么同一款模型，你和朋友的使用感受能差出不少。挑模型时不妨自问：你要的是偶尔惊艳，还是从来靠谱？多数日常工作，后者更值钱。稳定性这一课，榜单上常常缺席，体验里处处都在。

稳和聪明是两回事

两个分数要分开读：能力分高说明难题能解，稳定性好说明简单题不失手。理想模型两者兼得，现实里常有偏科——花哨的改写就露怯，多半是理解不扎实；越引导越跑偏，多半是主见不足。抗诱导与该拒绝的判断相邻，见什么是安全评测？红线测试，新手版入门与什么是对齐评测？价值观的考卷，通俗版解释；格式层面的严格照办则是另一张卷子，见什么是指令遵循评测？听不听话，一次讲明白。

鲁棒性速查表

• 测什么：改写、噪音、诱导、格式变化下的表现一致性。
• 怎么看：同源题组内的一致率，比单次对错更有意义。
• 常见误读：一次答错不等于不稳，整组波动才算数。

先看一致率，再看单题分数。

稳，是聪明的地基。能力分数再好看，抗干扰不行，体验就会时好时坏；下次你感觉模型忽灵忽笨，先怀疑稳定性，再怀疑能力。

关于鲁棒性评测再多问三句

• 改写多少算过度？：改动到语义或任务目标都变了，就不算同一道题，题组设计时要划清界限。
• 日常用得上吗？：用得上，同一件事换三种问法都得到一致回答，就是最朴素的稳定性自测。
• 代码也能测稳定性吗？：能，换种问法让它写同一个功能，判法与代码考卷相通，见什么是代码评测？跑通才算数，一个例子讲透。