除准确率外哪些指标关键？
P99延迟（实时场景<500ms）、鲁棒性（噪声下性能衰减<10%）、校准性（置信度与正确率匹配）、可重复性（温度=0时输出一致）。综合评分需加权。
如何设计对比测试？
抽取1000条真实业务数据+200条边界案例，盲审按“正确/部分/错误/有害”四级评分。计算综合得分=0.5×典型准确率+0.3×边界准确率-0.2×有害率。
开源vs闭源长期成本？
闭源API年费12~18万美元（1000万次/月），无运维人力。开源自托管硬件6~8万美元，但需2~3名ML工程师（20~30万美元人力）。有团队选开源。