跑分榜我是不太信了，还是自己攒二十条土法子来测

最近我自己在整理一套小测试集，就二十来条，全是平时真会碰的活儿：长文档里挑约束、把绕的逻辑拆步骤、按格式吐表格。测下来发现榜单排名跟我实际手感经常对不上。 这不就是当年主机参数大战嘛——纸面上位数、多边形数、发色数吹得天花乱坠，真拿手柄一玩，读盘、帧数、操作延迟才是要命的。LLM 这边也一样，reasoning 跑分高不代表思维链压得住条件。我拿同一道多步题丢给 DeepSeek 和 Claude，一个老老实实列假设再排除，一个上来就跳结论，这种事榜单上根本看不出来。 所以我自己只认两条：同题换个说法重跑三遍稳不稳，还有出错时它肯不肯说“我不确定”。榜单当参考就行，土法子当主判。有谁也自己攒测试集的吗，都往里放什么题？