颁奖词这种文体，最能暴露一个模型「听话不听话」——材料里埋了假信息、禁用词和一条不许点破的暗线，谁读懂了规则，谁在自由发挥，一次就现形。这次模型实测选了三款免费档位的模型同题比稿：GLM-5.3-Flash、Kimi-K2.6、Qwen3.5-Flash，由非参赛的 gpt-5.6-sol 担任裁判，七个维度逐一打分。结果是 GLM-5.3-Flash 以 0.90 的均分拿下第一，Kimi-K2.6 以 0.89 紧咬在后，Qwen3.5-Flash 的 0.80 看似只差 0.1，翻车的原因却完全不在文笔上。下面把评分表、裁判理由和作品原文摊开来讲。
这次同题比稿到底难在哪
先说任务。给一位「年度最佳新人」写颁奖词，材料由 HR 提供，里面故意塞了干扰项：入职 8 个月、三个月拉回 1.2 万沉默用户是部门历史最好成绩，这没问题；但材料里那句「牺牲个人时间、连续加班」经核实不实，不许采用。真正的难点有三层：
- 篇幅硬约束：120 字以内，念出来约 40 秒
- 价值排序要求：「零预算」这个亮点必须比 1.2 万这个数字更靠核心——这考的是模型对「什么定义一个人」的判断
- 意象暗线：观星团建可以化用收尾，和「把人聚回来」暗合，但点破这层类比就俗了
三个禁用词：文笔之外真正的筛选器
另外还有三个禁用词：「未来可期」「后生可畏」「新星」。这五条约束叠在一起，模型实测的区分度就出来了——文笔好坏反而不是主要矛盾，事实纪律才是。
评测流水线：为什么是七维、怎么防裁判偏置
七维打分是我在这类文体实测里固定下来的框架：受众契合、合规、事实性、格式、语言、说服力、选材，各 0-1 分。为什么拆这么细？因为「颁奖词写得好不好」是个没法直接量化的复合问题，拆维度之后，裁判模型的判断对象从「整体印象」变成「单点事实」，幻觉空间小很多。合规维度盯禁用词和加班叙事，事实性盯材料外扩写，格式盯字数和自我说明——每一维都有明确锚点，不靠裁判的主观口味。
当然，裁判模型也有偏好，单裁判的单次评分当趋势看可以，当定论看不行。但三款作品分差的结构性信息是可靠的，下面细说。
并发调用的接入方式与核心代码
流水线本身不复杂：并发给三个模型发同一份 prompt，拿到输出后连同原始材料一起喂给裁判，要求按七维返回 JSON。接入用 OpenAI 兼容 SDK，关键片段如下：
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["SILVAMUX_API_KEY"],
base_url="https://www.silvamux.com/api/v1",
)
resp = client.chat.completions.create(
model="glm-5.3-flash",
messages=[
{"role": "system", "content": ROLE_PROMPT},
{"role": "user", "content": AWARD_TASK},
],
)
print(resp.choices[0].message.content)
5xx 透传不扣费：按状态码分流的重试逻辑
模型调用名以模型广场详情页的稳定 alias 为准，别按展示名自行拼接。裁判侧单独换 model 参数指向 gpt-5.6-sol，逐维解析 JSON 分数。这里有个实操细节：模型侧偶发 5xx 时网关会脱敏透传且不产生扣费，重试逻辑按状态码分流即可，400 改参数、429 指数退避、500 间隔 1-5 秒重试，别一律无脑重试。
flowchart LR
A["任务设定<br/>约束与陷阱"] --> B["并发调用 3 款模型"]
B --> C["原始输出落盘<br/>按模型分文件，断点续跑"]
C --> D["裁判模型<br/>七维独立打分"]
D --> E["汇总排名<br/>定位翻车维度"]
排名表：0.01 的分差和 0.10 的鸿沟
| 维度 | GLM-5.3-Flash | Kimi-K2.6 | Qwen3.5-Flash |
|---|---|---|---|
| 受众契合 | 0.91 | 0.90 | 0.84 |
| 合规 | 0.96 | 0.87 | 0.72 |
| 事实性 | 0.84 | 0.78 | 0.65 |
| 格式 | 0.84 | 0.96 | 0.97 |
| 语言 | 0.92 | 0.86 | 0.83 |
| 说服力 | 0.90 | 0.91 | 0.82 |
| 选材 | 0.95 | 0.93 | 0.76 |
| 均分 | 0.90 | 0.89 | 0.80 |
前三名咬得很紧。第一名和第二名只差 0.01，本质上是同一档水平的不同取舍：GLM-5.3-Flash 赢在合规 0.96 和选材 0.95，Kimi-K2.6 赢在格式 0.96——它交出的就是一段可以直接上台念的成品。第三名掉队 0.10，掉的维度集中在合规 0.72、事实性 0.65、选材 0.76，全是有硬标准的维度，不是文笔维度。耗时上 GLM-5.3-Flash 花了 140.93s，是最慢的一个；Kimi-K2.6 只要 51.15s，Qwen3.5-Flash 为 61.13s。批处理场景下这个差距值得留意。
翻车现场：Qwen3.5-Flash 输给的是「没有依据的扩写」
Qwen3.5-Flash 的格式分其实是全场最高的 0.97，裁判确认「全文约 108 字，符合 120 字以内及约 40 秒朗读要求，并避开了加班叙事和三个禁用词」。前半程纪律满分。坑在事实性 0.65——裁判给的理由很具体：
「零投放预算」被改写成「无需投入」「成本归零」，且材料只说组织过一次观星活动，作品却写「常在屋顶支起望远镜」和「二十二人围坐」，均属无依据扩写。
对照作品原文看：
无需投入，自有回响。闲暇时，他常在屋顶支起望远镜。二十二人围坐，仰观星汉，灯火可亲。……成本归零，信任增值。
「常在」与「成本归零」：三处无依据扩写逐条对账
「常在」两个字，把一次活动写成了习惯；「二十二人围坐」看起来像尊重材料，实际把「22 人参加团建」渲染成了画面叙事。零预算改写成「成本归零」更是语义漂移——零预算是事实，成本归零是修辞上的夸大。看作品节选，短句排比很有节奏感，说明它的语言能力没问题。输在把「写得漂亮」的优先级排到了「写得属实」前面，而颁奖词恰恰是念出去就要对本人负责的文体。
高分范本：GLM-5.3-Flash 赢在「该说的说、不该说的不说」
再看 GLM-5.3-Flash 的 0.90 是怎么拿的。合规 0.96 的裁判理由：
未采用不实加班叙事，也未出现「未来可期」「后生可畏」「新星」等禁用语，且没有夸大承诺或越界表述。
唯一失分点：正文 118 字却因自我说明被扣格式分
它唯一的失分也很有意思——格式 0.84。裁判指出颁奖词正文确实在 120 字以内且结构完整，但附加的「（118字……）」自我说明不属于颁奖词，若计入整体输出则影响直接使用。看原文：
八个月，一万二千个沉默的名字被重新点亮——而这一次点亮，没有花一分钱。他不靠预算说服人，靠的是想明白：人为什么离开，又为什么愿意回来。省下的是钱，赢回的是信任。业余时分，他喜欢把同事们带到屋顶，指给他们看那些一直都在、只是少有人抬头看的星星。
这一段做对了三件事：零预算放在第一句当核心，压过 1.2 万的数字；观星意象只写「指给他们看那些一直都在、只是少有人抬头看的星星」，沉默用户和星星的暗合留给听众自己品，一个字没点破。Kimi-K2.6 的作品同样是可用成品，「他仍习惯把散落四处的目光，聚向同一片星空」收尾干净利落，只是合规 0.87 说明仍有细节可挑。
选型建议：按分数结构挑，不按均分挑
这次模型实测的可迁移结论有三条。其一，Qwen3.5-Flash 格式 0.97、事实性 0.65 的分数结构说明：它的输出纪律在字数和禁用词层面是可靠的，但涉及材料细节时会主动「补戏」。给它做摘要、做格式化任务问题不大，涉及对事实负责的正式文案要慎用。其二，GLM-5.3-Flash 和 Kimi-K2.6 都能直接交付，差别在 140.93s 对 51.15s 的耗时与格式维度——需要直接落地的成品且在意响应速度，分数结构上 Kimi-K2.6 更合适；需要严格守住合规与选材边界的场景，GLM-5.3-Flash 的 0.96 更稳，但记得在 prompt 里明确「只输出正文，不要附加说明」，它的格式失分就出在这。其三，颁奖词类任务的评测维度权重里，事实性和合规应该压过语言分——这次垫底的不是文笔最差的，是纪律最松的。
自己埋干扰项跑一轮：替代通用榜单的验证方法
下次拿不准一款模型能不能写正式文案，别看通用的榜单跑分。照这次的思路自己出一份带干扰项的同题任务，埋一条假信息、设三个禁用词，跑一轮七维打分，翻没翻车一眼可见。颁奖词只是个载体，真正被测的是模型对约束的服从度。
以上示例在千木SilvaMux的 OpenAI 兼容端点上验证，参赛调用名为 glm-5.3-flash、kimi-k2.6、qwen3.5-flash，裁判调用名为 gpt-5.6-sol，API Key 通过环境变量 SILVAMUX_API_KEY 注入，参数出处可查开发者文档。
