Qwen3 温度 0 跑 1000 次得 80 种回答：你的 LLM 评测为何在说谎

文章以 Qwen3-235B 在温度 0 下运行 1000 次得到 80 种回答为例，说明 LLM 推理并非完全确定性，使用 batch-invariant kernels 后可实现 1000 次结果完全一致。格式化分隔符、空格和大小写等保义变化，曾令 LLaMA-2-13B 准确率最多移动 76 个点；同一评测 5 次结果也可能落在 73%~93%，因此评测应报告重跑区间。