现在测 GPT 有没有 “降智”，有什么比较靠谱的方法？

最近经常看到有人说 GPT / ChatGPT 某个时间段 “降智” 了，但很多时候又很难分清到底是真有能力变化，还是随机性、路由、系统提示词、上下文、限流之类造成的体感波动。

想问问现在有没有比较靠谱、可长期重复的测试方法？最好不是只靠 “问几个熟悉的问题看看感觉”。

我目前想到的是：

1. 固定一套 prompt，模型、参数、上下文尽量保持一致，每题重复跑多次；
2. 分开测数学 / 推理、代码、指令遵循、长上下文、工具调用等能力，不混成一个总分；
3. 和历史输出做盲评或 pairwise 对比，避免自己知道日期之后产生主观偏差；
4. 除正确率外，再记录格式遵循率、工具调用成功率、拒答 / 跑偏率、首 token 延迟等；
5. 连续多天测，看趋势和置信区间，不因为一两道题翻车就下结论。

但 ChatGPT 这类产品还有服务端路由、隐藏 system prompt、模型 alias 更新、不同账号 / 套餐可能走不同后端等变量，感觉很难完全控制。

现在社区里有没有比较成熟的测试集、脚本、开源 benchmark，或者你们自己长期在用的一套 “测降智” 方法？

尤其想知道：哪些指标对真实能力变化最敏感，哪些其实最容易被随机波动误导？如果同时测 ChatGPT 网页端和 API，又应该怎么设计才比较公平？