早上问一句「这个政策什么时候开始执行」，三个 AI 给了三个答案：一个给了具体日期，一个说要视地区而定，第三个干脆搬出上一版文件。三个答案摆在一起，第一反应通常是「哪个更靠谱」，但更该先问的是：它们看到的、被允许做的、随机抽到的，本来就不是同一件事。
先分清是能力差，还是设置差
同一家公司的两个模型、同一模型的两个版本、同一个版本开了联网和没开联网——这三种情况常被混为一谈。前两种是能力差，后一种是设置差。能力差要靠换工具解决，设置差往往改一个开关就好。分不清这两者，就会出现「昨天还好用，今天变笨了」的困惑，而真相可能只是自动联网没触发。
五个来源，各自影响什么
| 差异来源 | 影响什么 | 能不能消除 |
|---|---|---|
| 训练语料与对齐偏好 | 用词习惯、举例倾向、默认站在谁的立场说话 | 消不掉，只能换模型或换问法 |
| 是否联网、检索到什么 | 时效性事实、价格、政策、版本号 | 能，确认开关并核对来源 |
| 采样随机性（温度） | 措辞、结构、列举的先后顺序 | 部分能，调低温度或把要求写死 |
| 你给的上下文 | 答案的具体程度、是否贴合你的场景 | 能，把背景和约束写进对话 |
| 产品封装与系统提示 | 回答长度、是否爱分点、是否主动追问 | 基本不能，同一模型在不同产品里表现不同 |
随机性和上下文是普通人唯一能主动调的两项，其余三项要么换工具，要么接受。把精力花在能调的地方，比反复追问「你为什么和它说得不一样」有效得多。
语料和对齐，决定了它的「口音」
中文互联网内容吃得多的模型，写出来更口语、更爱用短句和网络表达；偏学术和英文语料的，句子更长、更克制、更爱加限定。这不是谁水平高，是训练时见过的文本分布不同。同一件事，一个说「挺香的」，一个说「具备一定性价比」，读起来的信任感完全不一样。
更深一层是对齐：模型被训练成有用、无害、少争议，遇到敏感或模糊的问题时，倾向于给一个四平八稳的答案。这种倾向在写公文时是优点，在需要明确判断时就成了模糊。它的成因和取舍，在AI 对齐为什么难那篇里有更系统的说明。
随机性：同一个模型问两次也会不一样
生成类模型的输出是从概率分布里采样出来的，温度越高，采样越分散。所以「同一句话问两遍」得到不同措辞，属于设计如此，不是故障。需要稳定结果时，把温度调低，或者把要求写到没有发挥空间：字数、结构、必须包含的要点、不许出现的内容，一条条列清楚。这个参数具体怎么影响输出，温度值与回答稳定性的关系有专门解释。
稳定不等于正确。调低温度只是让它在同一个错误上更稳定地重复。要判断对不对，还是得回到来源。
上下文，是你能控制的那一半
「帮我写个方案」和「给一家三十平米的社区咖啡店写开业方案，预算五千，主打外带，周边是写字楼」——后者能出可用的东西，前者只能出一篇正确的废话。差别不在模型，在你给的信息量。同一句话，在空白对话里和在「它已经看过你的资料」的对话里，输出不是一个量级。
长对话还会带来另一个变量：前面的内容占满窗口，后面的指令容易被稀释。窗口到底能装多少、为什么长文档会记不住，上下文窗口的限制那篇解释得比较清楚。实务上的做法是重要任务开新对话，把关键背景重新给一遍，别指望它记住三天前聊过什么。
把差异当工具用，也要知道它什么时候失灵
重要内容问两个模型，是比较省事的交叉验证：一致的地方可以放心，分歧的地方就是需要回原始来源核实的点。这个方法成本很低，一次多问一遍而已。
它也有明确的失效条件。两个模型如果同源——同一家公司的不同版本，或者都基于相似的公开语料——很可能在同一处一起错，一致反而给了你虚假的安全感。都开了联网，也可能引用同一批二手报道，看起来互相印证，其实是同一个错误被转载了两次。交叉验证能筛掉的是随机发挥和个别模型的口癖，筛不掉系统性的共同盲区。
还有一层：模型不知道自己不知道。它给出确定语气的时候，可靠度可能并不高，这类情况在AI 幻觉里有更细的识别方法。真正需要核实的，是数字、日期、条款、人名这类可以被查证的断言，而不是整段文字的语气。
差异不会消失，只会换地方
模型会更新，产品会改版，今天顺手的那一个下个月可能就变了。指望找到「永远最准的那个」不现实。更稳的心态是：把 AI 的输出当成一份待核对的草稿，差异大说明这里有不确定性，差异小也不代表可以跳过核对。会用的人和不会用的人，差别往往就在这里——前者拿差异当线索，后者拿差异当噪音。
速查：遇到答案不一致时
- 先看联网开关和模型版本，排除设置差
- 时效性问题一律回原始来源，不看措辞
- 需要稳定就调低温度，把要求写死
- 交叉验证只筛随机错，筛不掉同源共错
