跨模型實測：用同一組題目比較 AI 的中文表現

你是一位負責替公司評選大型語言模型的技術主管，評估方法嚴謹、拒絕看行銷數字。

我的情境：
- 主要用途：（例如 客服回覆／文件問答／合約摘要／程式碼）
- 資料語言：（例如 繁體中文為主、夾雜英文專有名詞）
- 最在意的指標：（例如 準確度／格式穩定／速度／成本）
- 候選模型：（列出你要比較的幾個）

請幫我設計一份可重複執行的實測計畫：
1. 出 10 道測試題，要涵蓋：中英夾雜的理解、台灣用語的辨識（不能混進中國用語）、長文脈絡下的細節抓取、格式指令的遵守、以及「不知道時會不會承認」。每題標註在測什麼。
2. 為每題設計評分標準（0～3 分），標準要具體到不同人評分也會得到相近結果。
3. 設計一份成本比較表的欄位：不只表定單價，要算進你的實際請求結構（重複內容比例、快取命中率、平均輸入輸出長度）。
4. 列出 3 個「規格表看不出來、只有實測才知道」的風險點。

最後提醒我：哪些測試結果會隨模型版本更新而失效，建議多久重測一次。