用3道订单排序题，做完第一次AI评测

第一次做 AI 评测，可以先从一个简单的练习开始。
我准备了三道题，都是让 AI 按金额给订单排序。
你可以直接在 AI 产品的聊天界面里做这个练习，不需要写代码。每道题新建一个对话，把下面的排序要求和这道题的订单数据一起复制到聊天框里发送。
收到回答后，对照排序要求检查，再把原始回答和检查结果一起保存下来。
三组订单都是教学数据。下面这段提示词每题都用。
请把下面的订单按金额从小到大排列。金额相同的订单，按原来的先后顺序排列。保留全部订单，每个订单只出现一次，不改订单编号和对应金额。每行写一个订单，包含订单编号和金额。
第 1 题，普通金额。
A，30 元。B，10 元。C，20 元。
第 2 题，相同金额。
A，20 元。B，10 元。C，20 元。
第 3 题，零金额。
A，10 元。B，0 元。C，20 元。
先保存第一次完整回答，再按第 5 张对照卡的四条要求逐项核对。表格还是换行不影响本次内容判定，重要的是订单，金额和顺序。
如果回答错了，记下具体违反了哪条要求。如果三题都对，也照实记录，不用为了找错反复生成。
如果界面提示消息发送失败或者回答生成失败，就把这道题记为未完成。
如果回答因报错而中断，也记为未完成，暂不判断对错。
每道题需要记录这些信息。
测试日期，使用的 AI 应用，比如豆包，界面显示的模型名称，题号，AI 的原始回答，检查结果和判定依据。
检查结果分为通过，不通过和未完成。模型名称按界面显示的填写，没有显示就写“未显示”。
三道题各测试一次，最后统计通过，不通过和未完成的题目各有几道。
2026 年 10 月 14 日，我通过智谱 Responses API 测试了 glm-5.3-flash。三道题分别提交一次，全部通过，结果放在卡片里。
如果你使用的模型或测试方式与我不同，结果有差异也不能直接说明哪个模型更好。
三题全对，不代表换题或重测也能全对。
AI 协助整理文案和制作卡片。
方法参考，Anthropic 评测工程文，网址 https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents
Google 评测服务说明，网址 https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/evaluation-overview