让两个模型互相审：一条能跑起来的交叉校验流程

同一个模型，你让它写完再让它自查，它几乎总会说「没问题」。这不是模型笨，是结构问题——写的那一遍已经把它的判断锚定了，自查只是在复述刚才的逻辑。

出版业早就解决了这件事：写稿的和审稿的不是同一个人。把这条规矩搬到 AI 上，成本很低，收益很直接。下面是这条流程的具体形状，包括它在哪些活上有用、在哪些活上纯属浪费。

先说它值不值：多一道审，成本增加多少

审的那一遍，输入是原稿（几千 token），输出是问题清单（几百 token）。相比生成那一遍，通常是三分之一到一半的成本。

放到具体价格上（每百万 token，2026 年 9 月 24 日挂牌价）：

第一行和第三行是实际推荐的配法：审稿这件事不需要最强的模型，需要的是「另一个视角」。 一个便宜模型也能发现「这里引用的数字和上文对不上」。

三种不同的审法，别搞混

审法一：事实核对（最有价值）

只干一件事：把原文里所有的事实性断言挑出来，逐条判断能不能核实。

「不要用常识替我补」是必写的一句。没有它，模型会把「这个数听起来合理」当成「这个数是对的」。

这一审法的核心产出不是「哪些是错的」，是「哪些无法确认」。 那份无法确认的清单，才是你接下来要去查的东西。

审法二：一致性检查

用于长文、多章节文档、一份有前后依赖的方案。

这一类问题人眼最容易漏，因为你读第二遍的时候，脑子里已经有第一遍的印象在兜底。机器没有这个兜底，反而看得准。

审法三：立场对抗

用于方案、判断、任何有结论的东西。

最后一句「同意的部分直接不提」是效率关键。不写这句，三分之一的篇幅会用来告诉你哪些地方写得好。

流程怎么串起来

四步，每步都有明确的交接物：

第三步不能省，也不能交给模型。 两个原因：

第一，审的那一遍会有误报。模型 B 不了解你的业务背景，它会把「刻意的简化」当成「不严谨」。这些误报如果直接进第四步，改完的稿子会比原稿差。

第二，误报的分布本身是信息。如果某一类误报反复出现，说明你的原始要求里缺了一条约束。 把那条约束补进模板，下一轮的误报会明显下降。

什么活不值得走这套流程

得说清楚边界，不然你会把它用在不该用的地方，然后觉得这套东西没用。

不值得的：

• →短、可逆、代价小的产出。 一条朋友圈、一封内部邮件。审一遍的时间比你自己看一眼还长。
• →纯主观的东西。 文案的语气、配色偏好。第二个模型给的是另一种偏好，不是更对的答案。
• →你自己是专家的领域。 你一眼能看出问题的东西，机器审不过你。

值得的：

• →要对外的、有数字的内容。 报价单、对客方案、要发出去的文章。错一个数字的代价，远高于多跑一次的成本。
• →你不熟悉的领域。 恰恰是你最需要第二双眼睛的时候。
• →批量产出。 量大了之后，人工全检不现实，交叉校验是唯一能规模化的质检。

两个必须知道的失效模式

一、两个模型同时错

如果两个模型的训练数据高度重合，它们会犯同样的错——尤其是那些在互联网上被广泛传播的错误说法。这种时候交叉校验会给你一个虚假的安心。

对策是：审的那一步必须带外部核实的能力，不能只靠模型的内部知识。让它去查、去抓页面，比让它凭记忆判断可靠得多。凭记忆判断的那一遍，只能发现「内部矛盾」，发现不了「共同的错误」。

二、审的那一遍变成走形式

跑两个月之后很容易退化成：审出来一份清单，人扫一眼，觉得都是小问题，直接跳到第四步。

判断有没有退化，看一个数：你上一周有几条被判成「真问题」？ 这个数如果连续几周是 0，只有两种可能——要么你的生成环节已经足够好（那就该停掉审稿省钱），要么你的人裁环节在走过场。

这两种情况的处理方式完全相反，所以这个数必须真的去统计，不能靠感觉。

实操上的三个细节

第一，审的时候不要告诉它「这是 AI 写的」。 说了之后它会带上「找 AI 味」的预设，把注意力花在文风上，而不是事实上。

第二，审的输入要干净。 不要把你跟模型 A 的完整对话贴给模型 B。对话里有你的意图、你的纠正、你的偏好——这些会污染审的视角。只给最终产出。

第三，问题清单要能落地。 要求它每条都指出具体位置（引用原文片段），不要接受「第三部分逻辑有点乱」这种描述。指不出位置的问题，你没法改，等于没审。

最后

这套流程的价值不在「让 AI 更聪明」，在把一个结构性的偏差修掉：自己审自己，天然审不出来。

而它最大的收益点其实在第三步——你逐条裁决的那几分钟，是你真正在理解这份产出的几分钟。跑了几周之后你会发现，自己对「哪里容易出问题」的判断力，比流程本身涨得更快。