我们想用 GPT/Claude 当裁判，评 Qwen/DeepSeek 的回答。这样会不会天然偏向自己的风格？

我们讨论模型路由，有人觉得复杂。一个模型全走到底不是更简单吗？

我们准备用模型做代码助手，评测时大家拿 LeetCode 题测。这样有意义吗？

我们评中文能力时，让模型写一段介绍，都写得挺顺。然后业务问答还是错。中文能力到底测什么？

我们把一个流程从开源模型换成 GPT/Claude 后，demo 很漂亮，但线上还是被用户问崩了。是不是模型还不够强？

我把一个中文模型量化到 4bit 后速度上来了，但回答明显变短，还经常漏条件。是不是温度参数没调好？

我们内部评模型，大家一直问“准确率多少”。但很多生成任务很难算准确率。

中文长文分析想在 GLM 和 Kimi 之间选。材料是招标文件、会议纪要、制度合集，大家怎么分工？

我看到 Gemma 小模型部署挺轻，想给团队做默认助手，负责总结、改写、简单问答。靠谱吗？

DeepSeek 到底更适合写代码还是做推理？我看大家说法不一样。

我们知识库问答经常答错，但不是没检索到，而是检索到太多相似旧文档。这个怎么治？

Llama 系列生态很强，本地部署资料也多。中文业务场景能直接用吗？

我们想用 Qwen 做中文业务问答，主要是制度、客服、表格说明。有人生产里用过吗？

我们聊天助手最近有个问题，用户前面说“只看上海政策”，后面追问“那报销呢”，模型回答成全国政策。看日志发现历史被截断了。

我们算 AI 成本时只按用户问题数量估算，结果账单比预期高很多。是不是应该按 token 算？

现在好多模型都支持很长上下文了，企业知识库是不是可以直接把文档塞进去，不做 RAG？

我们准备给内部知识库换模型，老板贴了几个榜单截图，说排名高的直接上。这样选会不会太粗？

升级一个 UI 插件后，NodeBB 后台左侧菜单少了几项。管理员以为权限被改，查了半天。

恢复演练时帖子都在，搜索结果全空。过了半小时还是空，是不是恢复失败？

我们重启 Docker 后，NodeBB 附件和部分配置像回到昨天。数据库还在，上传目录不对。