即梦2.0 和可灵3.0 天天被放一块比，可翻了一圈别人的测评，样本就那么几条，prompt 也不贴出来，结论说服不了我。职业病犯了，干脆自己搭一套。
打算这么弄：
- 固定测试集：同一批 prompt、同样参数、同样题材，两边一字不改地喂。变量只留模型本身，不然比出来的差距说不清是谁的锅。
- 分场景：人物、运镜、多主体、文字场景各来几组。这几类最容易翻车，光测个空镜美景看不出东西。
- 跑量统计：每边几十条，记崩帧率和一致性。一两条的好坏全凭运气，量上去了稳定性才看得出来。
最难的其实是第一步。prompt 要是我一个人写，难免带着自己的偏好，写着写着就往某个模型擅长的方向偏了。
所以想拉大家众筹一套标准 prompt，各自丢几条觉得刁钻的进来，汇总后两边都用这一套跑，测出来的东西才有可比性，以后再有新版本也能拿同一套接着测。