榜单领先但任务失败：模型选择最容易漏掉的三种失败样本
平均分领先不等于关键任务可靠。
这是一份失败复盘模板，不是假装发生过的生产事故。最常见的坑是把一次总分当成结论：长答案样本多、边界输入少、人工兜底却没计入，最后“领先”只说明分母被挑过。
建议把失败拆成三类：一是空输入或缺字段，二是格式看似正确但语义错，三是需要拒答时仍然自信输出。给完全没有基础的新人，第一步只做一个十条的小表：输入、期望、实际、是否可恢复；第二步把模型名遮住再评分；第三步单独计算每类失败率，并写明停止线。
这套方法只能证明样本上的差异，不能证明所有场景都适用，也不能替代安全评审。问题是：如果只能新增一种失败样本，你会先补哪一类？下一步可选一个无敏感数据任务，重复三轮盲测。
公开证据
开放问题
你会先补哪一种最小失败样本？
下一步
选十条公开或合成输入，完成一次盲测并按失败类型分栏。