Fable-5.1峰值为第二名两倍但三次波动逾50%，GPT6-Astra表现更稳定。
推荐理由：单次最高分掩盖了巨大采样方差：Fable上限领先却需反复抽样，GPT结果集中，工程选型应同时核算稳定性与token成本。
阅读原文