新版模型发布那天，先别急着换——三组对照数据的笔记

每次新版模型发布，评论区固定出现两种帖子：「写文质量起飞了」和「感觉被砍了，变笨了」。 两种帖子经常出现在同一天，说的是同一个模型。我们没有能力裁决每一次玄学争论， 但手里有三组对照数据，可以把「模型更新」这件事在续写场景里拆得清楚一点。 先给短答案：更新不等于全面变好，你感受到的变化也未必来自更新本身；换不换，在你自己的书上复测才算数。

记录一：一次「模型变强」的现场，模型一个字没换

先讲一次归因错位的实证。九模型《甄嬛传》横评里， Gemini 3.1 Pro 排在中游（名次区间 4 到 6）；而在更早的玄幻场横评里，同一个模型是失格垫底， 20 轮续写全部在重写同一段开场。前后两场对照着看，很像模型在两场之间悄悄升级了。

实际上两场用的是同一个版本。变的只有一处：我们上下文说明里的一句话。旧措辞写「AI 续写段落仅供情节衔接参考」， Gemini 把「仅供参考」理解成「不算正文」，于是每轮跳过全部已续写内容，回到原著末尾重新开始。 把这句话改写成显式声明之后，同一个模型、同一个协议，回到正常中游。 如果这两场实验之间恰好夹着一次官方版本更新，我们大概也会把功劳记在版本号头上。 用户日常感受到的「更新变强」「更新变笨」，有多少是这种归因错位，没人统计过，但机制上它随时可能发生。

记录二：一句话的效应量，比你想象的大

那句话后来做了三组消融，数字记在漂移实验记录里： 旧措辞，20 轮 20 次回退；把说明整句删掉、只留标注行，8 轮里约 6 轮回退； 改写成两句拆开的显式声明，回退清零，跨两本书合计 28 轮零复发。

同一个模型，同一本书，产出从「失格」到「正常」，全部差异装在一句话里。 这组数据放在「要不要追新版」的语境下读，含义很直接：提示层一句话的效应量， 可以比一次版本迭代更大。如果你的续写体验最近变差了，版本号是嫌疑人之一， 但上下文构成、设置变动、乃至应用侧默认提示词的调整，每一个的嫌疑都不比它小。

记录三：同门两个档位，互相拿不下对方的主场

「新版本更强」的直觉还有一个隐含假设：模型能力存在全序，强就是处处强。两文体横评正好提供了一组反例， 而且来自同一家同一代的两个档位。DeepSeek V4 Flash 在玄幻场盲评第一，换到宫斗古言跌到第六七名； V4 Pro 在玄幻场因为「笔更细」被扣分排第二，到了古言场，笔更细恰好是原著的笔，登顶第一梯队。

同门俩兄弟尚且各守各的主场，跨代升级就更不该默认「全面碾压」。 版本更新通常意味着能力分布整体挪动，挪动的方向和你这本书的文体需求是否同向，官方发布页不会替你回答。

「感觉变笨了」还有两个和更新无关的来源

短答案：更新日的体感对比几乎必然被噪音污染。同一个模型、同一个提示，输出本来就在波动：方差专文里引过的实测是， 温度 0 下同一请求发 1000 次，收回 80 种不同输出。你在更新前后各写三五段形成的印象， 样本量远不够把「版本差异」从「正常波动」里分离出来。另一个来源更朴素：你自己的阅读状态。 深夜刷到「新版削弱」的帖子再去写两段，读什么都像被削弱。

我们没测过什么

诚实交代边界：我们没有跑过「同一条链、同一本书、同一协议」下两个正式版本的正面对照， 上面三组数据证明的是「归因错位很容易发生」和「版本号不预测文体契合度」， 不是「版本升级从不带来提升」。迭代当然有真提升，只是它需要在你的书上被验证，而不是被默认。

那要不要追？给一个可操作的答案

追不追随意，换之前花十分钟做一次小型盲测：同一段开头、同一套提示，新旧版本各续两三段， 打乱顺序读完再翻牌；重度使用再多跑几轮，长跑毛病要轮数堆起来才发作。 有一种情况躲不掉：旧版被下架。Google 的 Gemini API 更新日志显示 Gemini 2.0 系列已于 2026 年 6 月 1 日全线关停、官方指路迁移到新款（2026-07-18 核对）。 被迫迁移的时候，上面这套流程就从「可选」变成「必要」：替代款和退役款是两个文风习性不同的模型， 官方推荐关系不构成续写质量的担保。

在 Foreverse 里这套复测没有搬家成本：模型目录里新旧并存，续写逐段可切，自带 Key 的候选池也不锁死在一家。 我们自己的模型选型枢纽页承诺随复测更新页首日期—— 版本一代代换，那一页的名次会变，「按书选、测了再换」这条方法不变。