结论：正常，而且这正是不同模型的训练目标和分词方式不同导致的。

① 每个模型对指令的敏感度不一样。有的模型偏向严格照做，有的会自行补充发挥，同一句提示词被理解成的任务边界就不同。

② 分词和中文处理方式有差异。中文分词粒度不同，模型抓取的关键信息点就会偏移，导致输出重点完全不一样。

③ 采样参数默认值不同。温度、top-p 这些参数各家默认设置不一样，即使提示词相同，随机性表现也会差很多。

④ 想让结果更可控，提示词里把角色、字数、结构、禁止项写清楚，再固定温度等参数，跨模型的差异会明显缩小。