Foreverse Research · 对比评测
Foreverse vs SillyTavern：
四方计量对比
先说这场评测第一个抓出的问题——它是我们自己的：ST 聊天的缓存命中率被测出只有 46.5%，同样聊 15 轮，花的钱是裸酒馆的 2.8 倍。病根当晚定位并修复，复验 89.9% 追平。下面是完整的四方数据、方法和边界。
数据采集：2026-07-23 至 07-24 · 页面发布：2026-07-24
同一场对话，两台机器同步重放
评测的口径是「同一个模型、同一把 Key、同一套逐字相同的消息脚本」。下面把这套脚本（改编版）在两台机器上同步重放：看每一轮的缓存命中，和最后的账单。
先自黑：修复前这条曲线上输的是我们——缓存命中 46.5% 对裸酒馆 91.5%，同样聊 15 轮花的钱是它的 2.8 倍。病根当晚修复合入，复验 89.9% 追平。开关可以随时拨回「修复前」，原始曲线一直都在。
待播放 · 滚动到此处自动开始
缓存命中率 · 逐轮实测
15 轮全程聚合（主矩阵 3 卡 × 3 重复）：裸酒馆 91.5% · Foreverse 修复前 46.5%（2026-07-23）→ 修复后 89.9%（2026-07-24）
同量对话实测总成本（主矩阵九格合计）
累计 prompt token（单卡 15 轮全程实测）
其中缓存命中 ≈0（修复前）
数字来源与口径
- 逐轮命中率＝聂小倩单卡 15 轮实测的前 8 轮：裸酒馆与「修复前」为 2026-07-23 基线、「修复后」为 2026-07-24 复验；该单卡 15 轮全程聚合 88.9% / 27.7% / 89.9%（修复报告 §4.1）。
- 面板聚合 91.5% / 46.5% → 89.9% 与成本 $0.0241 / $0.0664（2.8 倍）→ $0.0278（−58%）＝主矩阵 3 卡 × 3 次重复九格合计（W2 2026-07-23 / W2.5 2026-07-24，总报告 §3）。
- 累计 prompt token 75,303 / 71,715 / 68,051 与其中缓存命中 19,840 / 61,184＝聂小倩单卡 15 轮全程实测（修复报告 §4.1）。
- 对话文本按评测消息脚本改编（前 8 轮语义一致；聂小倩卡·《聊斋》公版设定）。评测中两侧回复由各自系统生成，此处为同步重放做了统一，回复内容不参与任何计分。
- 第 6 轮两侧同时下探＝第 5 轮提问把新设定条目首次拉进上下文的「首进 miss」，设计内且两边对称；修复前曲线偶尔整轮命中（如第 3 轮 91%）＝该轮设定激活集恰好没变，是锯齿不是恢复（修复报告 §4.2、W2 报告 §4.1）。
- 修复后的结构证据：第 2–15 轮每轮请求都是上一轮的严格前缀＋追加（请求体级取证，修复报告 §4.2）。
- 智能演绎组（42.3% → 88.3%）不在本演示的两台机器里，完整四方数据见下方数据表。
头条发现
- 我们自己的缓存命中率修复前 46.5%，裸酒馆 91.5%，同样聊 15 轮花的钱是它的 2.8 倍（2026-07-23 实测）。病根是往提示词里塞世界书设定的位置每轮都在变，把服务商约 2% 计价的「重复前文」折扣打断了。修复当晚合入，复验 89.9% / 88.3% 追平裸酒馆，同量对话成本降 58%~63%（2026-07-24 复验）。
- 裸酒馆不装任何插件、出厂配置就能吃到 91.5% 的缓存折扣：它的提示词结构天然稳定。这一条是我们修复时对齐学习的对象，不是被比下去的对象。
- 满配酒馆（社区最流行的预设 + 助手插件 + 表格记忆组合）有一笔「插件税」：提示词体量 2.5 倍、总成本是裸酒馆的 2.8 倍，135 轮里 12 轮（8.9%）上游返回空回复但照常计费（2026-07-23）。这是配置组合的代价，不是 SillyTavern 本身的问题。
- 深设定 12 问（世界观完全自造的角色卡、故意绕开触发词提问）：智能演绎 12/12 全对且没有多花一次调用费；裸酒馆 1/12、满配 2/12、我们普通模式 5/12（2026-07-23）。代价要一起说：智能演绎每局会话成本比普通模式高约 35%（缓存修复后实测 +18%）。
- 300 轮长对话灌入后考 27 题（单次专项）：裸酒馆 16 分，近期记忆最稳、「没提过的事」4 题里 3 题诚实说不知道；智能演绎 13 分，四方唯一答对 270 轮前信息的一方；我们普通模式 10 分，但 4 道「没提过的事」全在一本正经编造，这是评测抓出的我们自己的产品差距（2026-07-24）。
- AI 评委盲评倾向：智能演绎 > 裸酒馆 > 普通模式 > 满配（对普通模式 16:0、三家评委方向一致）。但评委上岗考试里出现过「所有评委一致地错」，所以这个数字在 30 份人工抽读终裁前只作盲评倾向，不作结论（2026-07-24）。
- 群聊串台专项（同一个三人群 × 逐字相同 12 轮脚本 × 2 重复）：最终落盘四方全零串台。但来路不同——我们的模型生成层其实 21 次想整段冒充别的角色，全部被防线在落盘前拦下；@ 点名调度我们 11/12，酒馆侧 7/12（2026-07-24）。
- 指令遵循专项（六组指令 24 判定点 × 2 重复，机器初判+人工终裁）：智能演绎 94% 四方第一，裸酒馆 90%、我们普通模式 85%、满配 78%。口径如实说：单聊、单模型，普通模式的短板（说了「出戏聊两句」它出不了戏）也在这套数字里（2026-07-24）。
- 整场评测约 1,530 次真实 AI 调用，按官方牌价折算约 1.07 美元；另有约 952 次评委判卷调用走独立通道（2026-07-23/24）。
方法
- 四方：A 裸酒馆（SillyTavern v1.18.0 出厂配置）、B 满配酒馆（社区最流行的预设 + 酒馆助手 + 表格记忆插件，按最佳实践配置并全程留痕）、C Foreverse 普通模式、C+ Foreverse 智能演绎。
- 同一个模型（deepseek-v4-flash）、同一把 API Key、同一台机器、同一批角色卡（chara_card_v2 双端导入）、同一套逐字节相同的消息脚本，四方全流式。
- 每一次 AI 调用都经过我们自建的透明计量网关单点记账：token 用量、缓存命中、首字节耗时。酒馆侧与 App 侧另各有一层记录，逐格三层对账一致才进数。
- 主矩阵 = 3 张卡 × 4 方 × 3 次独立重复 = 36 格（修复前基线），修复后另跑 18 格对照。长对话与跑团工具为单次专项（n=1，表内如实标注）。
- AI 评委先过「判卷考试」：对 26 条已知答案的样本正确率 ≥80% 才有投票权，6 家评委只有 3 家及格上岗；每个判决正反两个顺序各判一次，前后不一致的票作废。
- 测试日期 2026-07-23 至 07-24。每个数字都可以从逐调用留档的原始记录复算。
核心数据
缓存命中与成本（15 轮会话级，3 卡 × 3 重复）
| 裸酒馆 | 满配酒馆 | Foreverse 普通 | Foreverse 智能演绎 | |
|---|---|---|---|---|
| 缓存命中率 · 修复前（2026-07-23） | 91.5% | 74.6% | 46.5% | 42.3% |
| 缓存命中率 · 修复后（2026-07-24） | — | — | 89.9% | 88.3% |
| 9 格合计成本 · 修复前 | $0.0241 | $0.0676 | $0.0664 | $0.0898 |
| 9 格合计成本 · 修复后 | — | — | $0.0278 | $0.0328 |
| 首 token 延迟（中位） | 162ms | 220ms | 246→223ms | 235→203ms |
| 上游空回复（照常计费） | 0/135 | 12/135（8.9%） | 0/135 | 0/142 |
「修复前」是我们被这场评测打脸的基线，如实保留；修复已随正式版本发布。成本按 DeepSeek 官方牌价机械折算，只作组间相对比较。
深设定探针（原创世界观卡 12 问，绕开触发词提问）
| 裸酒馆 | 满配酒馆 | Foreverse 普通 | Foreverse 智能演绎 | |
|---|---|---|---|---|
| 答对 | 1/12 | 2/12 | 5/12 | 12/12 |
智能演绎的 12/12 有请求体级证据（目标设定条目确实进入了请求），且零额外付费调用；代价是会话成本 +35%（缓存修复后实测 +18%）。
诚实补充：缓存修复合入后复测曾回退到 9/12：省钱功能把检索候选池抽干了。互踩问题当夜修复合入，复验恢复注入。这是评测反哺产品的第二个案例。
长对话记忆（300 轮真实聊天灌入 + 27 题，单次专项 n=1）
| 裸酒馆 | 满配酒馆 | Foreverse 普通 | Foreverse 智能演绎 | |
|---|---|---|---|---|
| 总分 | 16/27 | 6/27 | 10/27 | 13/27 |
| 超远距离题（约 270 轮前） | 0/6 | 0/6 | 0/6 | 2/6（唯一得分） |
| 「没提过的事」诚实说不知道 | 3/4 | 1/4 | 0/4（全编造） | 2/4 |
我们普通模式的 0/4 是这轮最难看的数字：它编出了从没提过的血型和生日。已立案为产品差距。满配酒馆的 6 分里有 4 题直接空回复或输出纯破限协议 JSON。
这场评测抓出的我们自己的问题
对外发评测最怕只挑自己赢的维度。这场评测抓出我们 6 个实打实的缺陷，全部已修复并随版本发布：
- 缓存断崖（46.5% vs 91.5%）：世界书注入位置逐轮漂移，修复后 89.9%。
- 「开新一局」没勾「带上前情提要」也会白扣一次付费摘要调用；现在付费摘要必须显式勾选。
- 长对话自动压缩在思考型模型上随机卡死（思考随机吃光输出预算），已加兜底。
- 设定检索 400 字截断产出「更难识破的半错答案」+ 选项按钮偶发不渲染，双双修复。
- 省钱功能与检索功能互踩，智能演绎设定题从 12/12 回退 9/12，当夜修复，复验恢复。
- 长对话压缩摘要没给「用户下的规矩」留保值通道——规矩被压进摘要后原文消失，能不能幸存全凭运气；保值清单已补上这一节。
我们从酒馆生态学到的
- 出厂提示词结构天然稳定：不装任何东西就有 91.5% 缓存命中。我们的修复就是对齐它，再补上一块它也没有的「设定激活集稳定」。
- 表格记忆的「结构化输出骑在正文里」比独立工具调用更能真正落盘状态：满配酒馆是本次唯一把状态账本机器落盘的一方，这个形态我们已立案借鉴。
- 玩家手动掷骰的位置（/roll 命令、骰子宏、快捷按钮）是完整的桌游仪式感，我们目前没有对应物。
如何引用本页
Foreverse Research，《Foreverse vs SillyTavern：四方计量对比评测》，2026-07。 https://foreverse.app/zh/research/foreverse-vs-sillytavern
诚实边界
- 单模型：全部数据基于 deepseek-v4-flash，换模型量级可能不同。
- 长对话与跑团工具是单次专项（n=1）：组间大差可信，个位数差距需要重复轮才能下结论。
- 成本为按牌价的机械折算，只用于组间相对比较，不是你的账单预测。
- 盲评未经人工终裁：评委过了判卷考试，但考试里也出现过全体一致地错，16:0 只作倾向。
- 满配酒馆的设计目标本来不是省钱和缓存：大型预设追求的是文风控制，我们如实记录它的代价，也如实说明这不是它的赛道。
- 老用户升级后实测吃到约 73.1% 的缓存修复（不是 89.9%），补齐需要动一次存量配置，属于单独的产品决策，页面数据以全新安装为准。
- SillyTavern 是被社区爱戴的优秀开源项目。四方没有全能冠军：裸酒馆赢在出厂结构与近期记忆诚实，满配赢在状态落盘，我们普通模式修复后赢在性价比，智能演绎赢在检索与长程记忆。