落到你手上能做的三件事：

• 采样别放飞。复杂任务把 temperature 压到 0.2-0.4，top_p 别开太高，长链任务尽量别带随机性
• 让它引用来源。涉及事实的结论要求写出出处或原始数据，写不出来就标「不确定」——这一条能砍掉大半知识型幻觉
• 能查的别让它记。跑命令、读文件、查文档都走工具，比让它回忆可靠一个数量级

至于社区体感，跑分和段子看个乐就好。同一个模型在不同 prompt 结构、不同引擎参数下差别能大到不像一个模型，真正定生死的还是你自己那 20 条任务，别拿别人的观感当结论。