Qwen3.8 预览版的热度肉眼可见（社区单帖四千多阅一百多评），不少团队已经在问「要不要把生产模型的评估排上」。预览版意味着能力还在快速迭代——现在迁是尝鲜红利，也是踩坑先锋。这份五项检查清单，是我们历次模型迁移评估沉淀下来的框架，按顺序做完，答案自然浮出来。
检查一：API 兼容面清点
先跑一遍接口差异扫描：请求参数（temperature、top_p、response_format 等新参数的默认值变化）、端点路径、流式事件格式、错误码语义。预览版常见的坑是「参数名没变但默认值变了」——比如采样参数的默认档位调整，会让同一套 prompt 出来完全不同的风格。清单化的意义就在这：不靠感觉，靠 diff。
检查二：自有用例回归
通用基准跑分看个热闹，迁移决策要看自有语料的回归。我们的做法是建三层用例集：核心场景 50 条（业务真实输入，人工标注期望输出）、边界场景 30 条（超长输入、多语言混杂、格式化要求）、对抗场景 20 条（提示注入、越权指令）。新旧模型盲跑打分，术语漂移率、格式遵从率、拒答误伤率三个指标定去留。
检查三：上下文与成本的交叉账
长上下文的支持上限和计费口径要一起看：输入 token 单价降了，但如果你因为上下文窗口变大而把历史全量塞进去，总账单反而涨。把线上真实会话的 token 分布拉出来（P50/P95 的输入输出长度），按新价格表重算一遍成本曲线，再决定上下文策略要不要同步调整。
检查四：工具调用与结构化输出
Agent 场景的重灾区。工具调用的参数格式、并行调用的行为、JSON 模式的稳定性（长输出下的格式漂移），每家模型都有自己的脾气。预览版在这个维度尤其不稳定——我们历次评估里，结构化输出的破坏率是最后否决迁移的头号原因。
检查五：灰度与回滚方案
全量切换是最后一步，不是第一步。标准姿势：双跑期（新旧模型影子流量对比两周）→ 灰度期（1% → 10% → 50%，每档观察错误率与用户反馈）→ 收尾期（旧模型保留热备一个月）。回滚开关要放在配置层，触发条件写死（如错误率相对抬升 20% 自动回切），不依赖人盯。
结论框架
五项全绿 → 灰度走起；三、四有黄 → 等正式版；一、二有红 → 连评估队列都不用进。预览版的意义是提前暴露问题，而不是提前投产——用评估清单把它当不花钱的压力测试，才是尝鲜的正确姿势。
