第一步：先建样本，别拿一篇稿定输赢
至少准备三类文本：有明确伏笔的故事、带事实约束的知识稿、需要保持语气的口播稿。每类选一段完整上下文，并提前写好验收点。例如故事要求回收钥匙和未接电话两个线索；知识稿不得新增来源不明的数字；口播稿句子要短，不能突然变成书面论文。坑在于只测自己最熟悉的一类内容，最后得到的只是局部印象，却包装成通用结论。
续写测评避坑：别被流畅度骗了
续写测评最常见的坑，是贴一段开头、生成一次，然后凭“读着挺顺”就下结论。这样的结果既不可复现，也测不出长文本真正麻烦的设定漂移。下面按建立样本、统一条件、盲评打分和压力测试的顺序走一遍，并把常见作弊变量逐个排除。
第二步：统一条件，防止暗中偏袒
同一轮续写测评要固定原文、目标字数、输出语言、必须信息和禁用项。如果一个选项给详细提纲，另一个只收到“继续写”，结果当然不公平。还应保留原始输出，不要一边人工改过，一边拿未修改版本比较。工具存在随机性时，可在相同条件下多跑几次，报告稳定表现和明显失误，不要只挑最好的一次当展示样本。
第三步：盲评打分，先遮住工具名称
评分表建议拆成五项：衔接、事实一致、人物或语气稳定、有效推进、修改成本。每项可按1至5分记录，并在分数后写证据，如“把周二误写成周三”“新增了原文没有的妹妹”。只打总分很容易受文风影响。最好让评阅者不知道文本来自哪个选项，避免品牌印象先入为主。流畅只能算一项，不能覆盖事实错误。
第四步：做压力测试，再公布适用边界
最后增加长上下文、相似人名、跨段伏笔和明确禁令，看结果是否遗忘前文。还要记录从输入到可发布版本的总时间，而不是只比生成速度。常见大坑是把免费额度、响应快慢和内容质量揉成一个分数；更靠谱的做法是分别报告质量、效率、操作与隐私设置。续写测评的结论也应写清场景：适合短段落起草，不代表适合小说整章，更不代表可以免核查发布。
常见问题
续写测评应该测试几次？
没有绝对次数，但单次结果不足以下判断。实用做法是每种文本在相同条件下重复生成，并同时保留最好、典型和失败样本，观察稳定性。
续写测评用什么评分标准？
至少分开评衔接、事实一致、风格稳定、内容推进和修改成本。若涉及公开发布，还要增加来源可靠性、敏感信息和版权风险检查。
为什么续写读着自然，评分却不高？
自然只说明句子顺。它可能改了人物关系、漏掉伏笔、重复原结论或编造数字；这些问题不细看上下文，很容易被流畅表达遮住。