LLM 评估为何波动远大于改进：5 次评测结果相差 73% 至 93%

同一模型和评测重复 5 次，结果可从 73% 波动到 93%，温度设为 0 也无法消除不确定性。文章建议对整条执行轨迹评估工具调用正确性、任务完成度、步骤效率和计划遵循度，并通过多次重跑报告波动区间，避免把小于波动幅度的变化当作结论。