为 Error 27 生成一张旧系统风格的社交应用界面，保留毛绒角色、错误提示、输入状态和低饱和灰白视觉。
Observed Output角色识别和错误语气成立，但按钮层级、状态反馈位置和窗口边界不够稳定，部分 UI 信息会削弱“旧系统报错”的统一感。
2026 / AI 质量评测矩阵
Evaluation
Matrix
这个项目展示我对 AI 生成质量的评测方法：先锁定评测对象、版本和能力边界，再构建模型未见过的评测集；随后用 GSB / SBS、1-5 评分或 Pass / Fail 判断输出质量，并把 Badcase 回写到 Prompt、标注规则和下一轮评测报告中。
我用工作台式的主视觉呈现整个评测流程：评测对象、评测集、GSB/SBS、1-5 评分、Pass/Fail 与报告回流被放在同一张系统图里，强调评测不是主观判断，而是可复核的交付流程。
02 / Case Review
Real
Real
Case
下面用一个浓缩样例展示我的评测动作：不是只说“好”或“不好”，而是把输出拆成可打分、可归因、可回写的判断。
意图命中4 / 5主体、语气和使用场景基本成立。
结构稳定3 / 5窗口、按钮、状态栏需要更固定的版式约束。
风格一致4 / 5错误红、灰白系统和角色材质识别度较高。
质量效率Pass可进入下一轮细化，不需要推翻方向。
Next Rule
在下一轮 Prompt 和标注规则里补充：窗口边框厚度、按钮三态、错误提示位置、输入框层级和头像尺寸比例。
意图命中
同时看 Prompt 意图理解和 Response 指令遵循，判断主体、动作、关系和信息重点是否被模型准确保留。
结构稳定
检查人物、空间、道具、镜头和界面是否连续，排除形变、断裂、首尾帧不一致等高频问题。
风格一致
判断角色、世界观、材质、色彩、字体和语气是否仍属于同一套设定系统，避免风格漂移。
质量效率
从构图、光影、清晰度、运动质量和生成速度判断结果是否达到“基本无损”的可用边界。
报告回流
把失败样本归因到 Prompt、数据规则、模型边界或调参偏差，形成下一轮可执行修改。
03
Evaluation
Evaluation
Protocol
在我的评测方法里，关键不是简单判断“好不好”，而是先把对象、样本、方法和报告格式固定下来。这样同一轮结果才能横向对比，也能在版本迭代后复查变化。
评测对象
记录模型名称、版本号、发布日期、能力边界和当前限制，避免同一专项多次评测时结论混乱。
评测集
每批 100-200 条，内容要模型未见过；同一项目周期内固定评测集，大版本切换时再重建。
评测方法
按任务选择 GSB/SBS、1-5 评分、二值判断或混合标注，并通过双盲复核降低个人偏好。
报告输出
结论前置，再给数据、优缺点、典型 Case 截图、Badcase 类型和下一轮优化方向。
04
Proof
Proof
Cases
矩阵不是悬空的方法论。我用已经完成的两个作品验证它：一个是软萌 IP 的传播一致性，一个是世界观设定集的视觉秩序。它们可以被当作真实 Case，用来展示我发现问题、解释问题、反馈问题的判断方式。
评测重点在角色比例、毛绒材质、旧系统 UI、错误红和文案语气是否共同维持“安静报错”的 IP 识别。
评测重点在阵营冷暖关系、宗教建筑、工业遗迹和角色气质是否还能落回同一个冰河纪元世界。
05
Review
Review
Route
我把评测当作循环，而不是终点：基础评测看生成质量，音视频加速评测看成本和质量边界，AI 产品竞品评测看核心功能与内容质量，最后都要回到规则和报告里。
将可用、结构偏差和风格漂移放在同一评价体系下比较，让差异有明确坐标。
对话、图像和视频分别建立检查视角，再在质量结论处汇合成统一反馈。
基础评测
围绕内容质量、功能表现和性能指标拆维度，文本看安全、指令、内容和语言，图像看遵循、美学和稳定。
加速评测
围绕 NFE、CFG 等调参版本做对照，重点不是绝对画质，而是速度、算力成本和质量损失是否可接受。
产品评测
先确认报告给谁看，再选择核心功能和内容质量深挖；每个结论都要有真实 Case 或截图支撑。
问题回流
将 Badcase 归因到模型边界、数据缺口、Prompt 约束或标注规则，形成下一轮可执行修改。
我希望这个项目传达的是：我不只会判断生成结果好坏，也能把判断转化为可交付的规则文档、评测集、标注结果和结论前置的评测报告，让模型问题能够被复查、被归因、被持续迭代。