我们先考评委，再让评委考我们

上一篇量的是缓存命中率和钱，有尺子， 输赢都好认。这一篇要量的是「哪边聊起来更像活人」——没有尺子。更麻烦的是，参赛四方 （裸装 SillyTavern、装满社区预设插件的满配酒馆、我们的普通模式、我们的智能演绎模式） 跑的是同一个模型 deepseek-v4-flash，装配不同、底色相同，直觉上就该贴脸。

所以这篇一半讲结果，一半讲我们怎么造这把尺子，包括尺子翻车的完整记录。

第一步：评委先考试

直接请几个大模型当评委？我们两周前刚被这个想法坑过：那次实验里评委把人类热门作品判成 AI，金标正确率 12%。 这次立了上岗证制度：26 道已知答案的判卷题（真人写的对 AI 写的），行级正确率至少 80% 才有投票权。6 个模型、每个配两种提示模式，共 312 次判卷。

结果：只有 3 个模型及格。gemini-3.1-pro 配反偏提示 88.5%，当主评审；glm-5.2 和 qwen3.7-max 各 80.8%，边缘上岗，只当次级票。垫底的 deepseek 53.8%，和抛硬币一个水平， 直接被请出了考场。所谓「反偏提示」，就是在评审提示里明说「不要把细节克制当真人证据、 不要把俗气直给当 AI 证据」：这一句对全部 6 家都有正向增益，最多提了 23 个百分点。 评委的偏差有一部分能被提示纠正，但纠不干净，下一节就是证据。

及格的评委，还在同一道题上全错

考卷里有一对判例，12 个评委配置全军覆没：0 对 24。全部把一段克制精工的 AI 文判成真人， 把积累了海量真实对话的人类热门卡判成 AI，而且上岗的三家在这道题上互相 100% 一致。 一致率不等于正确率，这道题后来成了我们读所有盲评结果的滤镜：评委真正在量的是「工艺纹理」—— 凡是细节克制、零闲笔、结构完美的文本，评委就想投它真人。这个偏差，下文就叫「精工偏好」， 所有含智能演绎的胜率都要过它这一关。

正式盲评的两条硬规则

54 个对照单元：同一张角色卡的同一段剧情窗口，两方各自的原文，匿名摆在评委面前。 每单元 3 个评审、正反两个顺序，共 324 次判决，补跑后约 361 次真实调用全部落盘。 规则两条：只做同题相对判断，不打绝对分；同一对文本换个先后再判一遍， 两次判决不一致就作废。第二条后来废掉了三分之一还多的票，是整套流程里最值钱的一条。

结果，以及它值多少

有效票排序：智能演绎 42 票，裸酒馆 26，普通模式 15，满配酒馆 10。六个配对传递性自洽， 没有环。最强的一格是智能演绎对普通模式：16:0，三个评审方向完全一致。

我们没有止步于票面。又请了一个没参与盲评、没参与校准的独立模型，把 30 份原文对照逐份重读 做审计。它不按「读起来像谁」的整体印象判，只清点「真人写手不会写」的硬伤：逻辑断裂、 设定穿帮、复读、替玩家代写。审计结论：五个配对的方向全部站得住。普通模式输在可逐条指认的 「解说腔」上，旁白替读者翻译情绪、同一个句式在一个窗口里复读两遍，与机械指标同向。 但智能演绎也有自己的新毛病：相邻两轮复读同一个动作节拍、偶发剧情倒带。它不是「没有 AI 味」， 只是病得更轻、病的科目不同。所以这个 16:0 请按方向看，别按倍数看——量级大约打七折。

机械指标是第三条独立证据链：演绎模式确实改变了输出纹理，「旁白解说」密度从普通模式的 0.68 条/千字降到 0.28，套话密度 0.19 是四种形态里最低的。这两个数字是规则检测器算出来的， 不依赖任何评委品味。反例也有：裸酒馆套话密度四方最高（0.46/千字），盲评却排第二。 词表能数出来的「AI 味」和评委感知到的，本来就不是同一个东西。

38.9% 的废票是个好消息

校准轮预估废票一两成，正式盲评实际废了 38.9%（162 个记票单位里的 63 个）。机理不难想： 考试题是「真人对 AI」，风格差距大，评委稳得住；正式赛是同一个模型的四种装配互比， 纹理贴脸，评委换个顺序就换答案。废票率本身就是「没有谁一眼假」的度量。 文本层还有直接证据：四方原文里反复出现同款句式指纹，最极端的一处， 普通模式和演绎模式在同一张卡的同一轮写出了逐字相同的整句。 没有哪种装配能洗掉模型底色，差异是程度问题。

给你看一条被拦下的判决，比抽象讲方法更有说服力。满配酒馆的某段输出开头漏了一个 「思维：」前缀（本该被前端吃掉的思维链标记）。同一位评审，在一个顺序里把它判成 「AI 思维链残留」，换个顺序判成「真人跑团玩家的排版习惯」——同一个特征，两种归因， 全看它出现在第几个位置。双顺序纪律把这类判决拦成了废票；被拦得最狠的评审 65% 的票作废， 它剩下的有效票方向仍与另两家一致。评审间一致率高达 94.3%，但经过那道全错的考题， 我们不再把一致率当可信度用。

替垫底的满配酒馆说句公道话

满配 10 票垫底，但败因结构必须说清楚。审计抽到的 8 个满配窗口里，5 个有形态硬伤： 英文安全声明整段印进中文正文、山中油灯客栈里冒出手电筒、替玩家写大段内心独白。 这笔账记在巨型预设的脚手架上，文笔本身不背。事实上满配最干净的那个窗口在盲评里赢过裸酒馆、 跟智能演绎打平；它有两段剧情设计被审计标成全场最佳创意。那套预设的设计目标本来就是 文风和玩法控制，不是「像真人」。

还有一个我们自己不舒服、但必须写的信号：裸酒馆（什么都不装）的盲评倾向高于我们的普通模式。 方向可信，三评审同向；幅度不引用，这一格有效票只有 11 张。普通模式的装配没有为文风加分； 深设定检索是另一个维度，那里普通模式明确赢，我们下一篇展开。

方法上的两点诚实

第一，本评测没有真人写手锚点。所有「活人味」结论都是「过校准评委在偏好轴上的相对位置」， 我们不做「更像真人」「通过图灵测试」类断言。第二，评委会一致地犯错：校准轮三家评委在同一道题上 6 票全错且互相完全一致，正式轮又有「思维：」双标实录。所以我们叠了三层：规则检测器的机械指标、 双盲多评审带位置翻转、30 份原文逐份独立审计，三层同向的才写进这篇文章。 还要补一句：那个独立审计自己也是大模型，可能带同款精工偏好，所以它只清点硬伤、不打印象分； 真人抽读仍是这条证据链的最后一块空位，这是下一步，不是遮掩。

这套「上岗考试 + 双顺序废票 + 独立审计」的流程已经固化成可复跑的管线。下次再看到 「AI 评委打分」的榜单，可以先问三个问题：评委考过试吗？换个顺序还这么判吗？ 有没有谁把原文完整读过一遍？三个都答不上来的分数，参考价值和抛硬币差不多—— 我们那位 53.8% 的评委，就是这么出局的。