同一段技术笔记，A 版直白，B 版多了一些场景和比喻。说“我更喜欢 B 版”是有效反馈；说“情感价值从 18 提升到 88，因此治愈力提高 70%”，就把偏好包装成了没有定义的测量。

比较文风，可以做得小而扎实：先锁定事实，再分别观察清晰度、语气、冗余和读者偏好。不要让一个模型同时当作者、裁判和心理学解释者。

事实保真是一道单独的门槛

API 名称、适用条件、否定、错误处理和数字都不能因为文字变柔和而丢失。偏好打分不能抵消事实错误；有明显错误的版本先退回，不进入“更喜欢哪版”的比较。

给一组对照留一个可复算记录

保存为 style_compare.py。投票是教学数据，不代表用户研究，也不根据文字推断作者情绪。

facts = {"timeout_ms": 200, "retry": False, "scope": "读取请求"} versions = { "A": {"facts": dict(facts), "text": "读取请求超时200ms，不自动重试。"}, "B": {"facts": dict(facts), "text": "这次读取最多等200ms；超时后把选择交还给你，不自动重试。"}, } votes = [{"reader": "r1", "prefer": "B"}, {"reader": "r2", "prefer": "A"}, {"reader": "r3", "prefer": "B"}] assert all(v["facts"] == facts for v in versions.values()) seen, counts = set(), {"A": 0, "B": 0} for vote in votes: if vote["reader"] in seen or vote["prefer"] not in counts: raise ValueError("重复读者或未知版本") seen.add(vote["reader"]) counts[vote["prefer"]] += 1 assert counts == {"A": 1, "B": 2} print("教学偏好计数：", counts)

结构对象相同不保证正文相同，仍需逐句检查。真实对照还应隐藏版本标签的含义、随机展示顺序，记录样本招募方式；三票教学输入不能得出“所有工程师都更偏爱某种文风”。

看反馈里具体卡在哪里

让读者指出“哪句难懂”“哪处像在绕圈”“哪里删掉会失去信息”，通常比只问 1 到 10 分更有改进价值。比较不同模型时固定任务和事实对象，保留每次输出，不挑一篇最好看的当整体结论。

2026 年 10 月 20 日 IBM 的研究把能力与多次可靠性分开报告，提醒我们不要以一次好结果代表稳定行为。原文

本文实跑了事实对象一致和投票计数，没有真实读者实验、情绪测量或模型比较。写作可以有个人偏好，证据也可以坦然停在偏好的范围内。