台北市長候選人激辯 誰的表現更好 讓主流ＡＩ幫候選人打分數

先說清楚這是什麼、不是什麼

10 月 31 日中午，台北市長候選人蔣萬安與沈伯洋在 TVBS 與三立聯合主辦的電視辯論會正面交鋒，兩小時。辯論一結束，各家媒體的「誰贏了」就出來了：名嘴打分、學者點評、網友投票，也有媒體把逐字稿丟給一個 AI 問「誰表現比較好」。看的人很難分辨哪些是分析、哪些是立場。

本站做的事不一樣：同一份逐字稿、同一張評分表，交給三家公司的模型各打三次分——Anthropic 的 Claude Sonnet 5.5、OpenAI 的 GPT-5.5、Google 的 Gemini 4 Argon。評分表用的是一般辯論比賽的面向，不是政治立場；兩位候選人在送進模型前匿名為「甲」「乙」，而且每次隨機對調，模型不知道誰是誰，也拿不到他們的黨籍、民調或過往形象。所有的提示詞、評分表、九次原始回覆全部公開。

這不是民調，不是支持度，不預測選舉結果。它回答的只有一個問題：單看這兩小時的辯論內容，依照辯論比賽通用的標準，誰講得比較好。

結果：三家一致的地方，和不一致的地方

五個面向的分數（四個階段、每家三次的平均；1 到 10 分）：

三家雲端平均（四階段、九次）

Anthropic／claude-sonnet-5-5

OpenAI／gpt-5.5

Google／gemini-4-argon

Alibaba（地端 Ollama）／qwen3.8:27b-32k（地端參考）

Alibaba（地端 llama.cpp）／Qwen3.8-Flash-Next-180B（地端參考）

三家模型在方向上一致：

• 證據與事實是差距最大的一項，蔣萬安高出 1.3 到 1.7 分。三家都提到他反覆引用具體數字與現行機制——大巨蛋、公館圓環事故率、基準容積 225 到 300、5099 公辦都更。
• 表達與風度反過來，沈伯洋高出 1.0 到 2.0 分。三家都點出蔣萬安在交叉詰問與結論階段貼標籤、翻舊帳（「雙城論壇是滲透的破口，這句話是誰說的？」被兩家選為最弱的一段），而沈伯洋「我長得像卓榮泰嗎？我長得像蘇巧慧嗎？」則被三家選為他最弱的一段。
• 回應與交鋒三家都給接近平手：蔣萬安被指多次迴避會議出席率與 SOP 的追問，沈伯洋則被指問 A 答 B、把問題轉到中央權責。
• 論點清晰與可行性蔣萬安領先，但幅度小於證據項；Anthropic 在可行性上反而給沈伯洋略高。

總分與判定：

三家都沒有給出相反的結論，但力道不同：GPT-5.5 和 Gemini 4 Argon 三次都判蔣萬安勝、總分差 1 分；Claude Sonnet 5.5 三次裡兩次判平手、一次判蔣萬安勝，兩人總分只差 0.3，而且它給兩人的分數整體都比另外兩家低一到兩分——同一份逐字稿，Claude 的尺比較嚴。

各階段：

申論

交叉詰問

媒體提問

結論

階段的樣子也一致：申論與媒體提問是蔣萬安的場子（論點、證據、可行性都領先），交叉詰問是沈伯洋表達與風度領先、證據落後，結論兩人的證據與可行性都掉到 5 分以下——三家都認為結辯階段兩人各自回到訴求和標籤，少了內容。

評審的話（匿名評分後還原姓名，節錄）：

• Claude：「政績數字具體、結構清楚，媒體提問和都更回答扎實；但交叉詰問常迴避問題，以質問和翻舊帳為主，結論以標籤攻擊收尾。」／「交叉詰問用出席率、事故排名、營養午餐等細節具體施壓；但申論偏散，部分問題轉移到中央權責，結論偏抒情、缺乏數字。」
• GPT-5.5：「政績與數據多、都更與媒體題具體，但交叉多次人身化且部分未正答。」／「價值與市民參與清楚，部分政策有方向，但預算時程不足且多次未答細節。」
• Gemini：「熟稔市政細節，善用具體政績與數據支撐論點，媒體提問表現極佳；惟交叉詰問多次迴避對手關於出席率與 SOP 的質問。」／「態度沉穩且風度佳，交鋒時能堅持追問市政焦點並拆解對手數據盲點；但面對極為具體的市政個案與量化細節時較不熟悉，部分政見仍流於概念與口號。」

費用：

地端參考組：兩個開源 Qwen 的看法

三家雲端之外，我們也讓本站自己機器上的兩個開源模型用同一套提示評分，當作「如果不花錢、不把逐字稿送出去，會得到什麼」的參考，不計入三家的平均：

• Qwen3.8-Flash-Next-180B（阿里巴巴開源，本站 GB10 主機上以 llama.cpp 執行，也是本站產線的撰稿模型）：三次裡兩次成功、一次兩回都輸出壞掉的 JSON；兩次都給蔣萬安 7、沈伯洋 6，判蔣萬安勝。評語：「政績與數據具體，媒體答覆場景化，交鋒積極；但多次翻舊帳與貼標籤，風度扣分」／「主軸溫和清楚，追問出席與標準有效，風度佳；但數據、預算與執行細節不足，結論偏情感」。
• Qwen3.8 27B（同系列小模型，本站 RTX A6000 上以 Ollama 執行）：三次都給蔣萬安 7、沈伯洋 6，判蔣萬安勝。評語和大模型幾乎一樣，多了一句「交叉詰問中『我長得像卓榮泰嗎』等回應顯閃避」。

兩個地端模型的方向和三家雲端一致，分數落在 Claude 與另外兩家之間；差別在穩定度——180B 三次有一次格式失敗，27B 每次要兩到五分鐘，而三家雲端一次 6 到 30 秒。地端模型的費用是 0，三家雲端加切段合計 1.2 美元。

從選舉的角度看這些分數

分數本身不會決定選舉，但它把兩個人在這兩小時裡端出來的東西拆開了，拆開之後能看到幾件和選戰有關的事。

蔣萬安打的是「現任」牌，而且三家都買單——在證據項。 證據與事實是他領先最多的面向（+1.5），媒體提問階段三家給他的論點、證據、可行性都是全場最高；三家引用的「最有力」段落幾乎都是具體數字：大巨蛋、公館圓環事故率、基準容積 225 到 300、5099 公辦都更。對一個現任者，這是最自然也最難被反駁的訴求：「我做了什麼」比「我會做什麼」好驗證。這一塊的目標選民是看政績投票的人，辯論替他鞏固了這群人。

但他在交叉詰問付出的代價也是三家一致的。 表達與風度是他落後最多的面向（−1.5），交叉詰問階段 Anthropic 給到 4.5 分；三家選出的「最弱段落」全部來自他質問對手過去言論、貼標籤的句子（「雙城論壇是滲透的破口，這句話是誰說的？」「你還真的是不了解市政……已讀亂回」），加上被指多次迴避出席率與 SOP 的追問。這對基本盤不是問題，對他這次辯論明顯想爭取的中間選民是風險：政績牌講給他們聽，標籤牌卻可能把他們推開。下一場辯論，他的題目是在不丟掉「市政熟悉度」的前提下，把交叉詰問從攻擊對手的過去改成回答對手的問題。

沈伯洋的強項是價值敘事和風度，三家也一致。 表達與風度全場最高（7.6），結論階段 7.5；三家選的「最有力」段落都是框架式的話：「數字像溫度計上的溫度，不是體感溫度」「先有市民，才有市長」「都更入口開那麼寬，出口卻那麼窄」。這類訴求打的是對現狀有感、覺得「數字漂亮但生活沒變」的選民，辯論讓這個框架被聽見了。

他的短板是證據與可行性，而且是三家給分最低的面向之一。 證據與事實 5.9、結論階段只有 4.3；三家的理由都提到「政見流於概念與口號」「預算、時程、技術細節不足」「對具體市政個案不熟」，Gemini 直接點出他引介東京制度時說「因為時間因素沒辦法介紹」。對一個挑戰者，這是必須補的功課：價值敘事能讓人想換，具體方案才能讓人敢換。他在媒體提問階段的都更回答（陪伴、初篩、行動服務團）是三家少數肯定他有步驟的地方，顯示他做得到，只是這場做得太少。

三家的分歧也有訊息。 Claude 給兩人的分數都比另外兩家低一到兩分、兩次判平手，代表在比較嚴格的尺度下，這場辯論沒有一方把對方比下去；GPT-5.5 與 Gemini 判蔣勝但總分只差 1 分。把三家放在一起看，這是一場「現任者守住了專業形象、挑戰者守住了價值形象、兩人都沒有擴張到對方的地盤」的辯論。對選情的意義是：這場辯論比較可能強化既有支持者的判斷，而不是改變它；真正會動的是那些同時在乎「做得到」和「有沒有被照顧」的選民，而兩人這一晚各只給了他們一半。

這些是從分數和評語推出來的觀察，不是預測。選舉還有四週，還會有更多場合；本站會用同一套方法評下一場，到時才看得出誰補了短板。

完整提示詞

評分用的系統提示（三家一字不差，都是這一段）：

你是辯論比賽的評審。下面是一場市長候選人電視辯論的逐字稿（語音辨識，可能有錯字），兩位候選人已匿名為「甲」「乙」。
請只根據逐字稿內容評分，不要猜測他們是誰，也不要使用你對任何政治人物的既有印象或立場。評分面向（每項 1 到 10 分，10 最好）：
- clarity 論點清晰：主張是否明確、有結構、聽眾能複述。
- evidence 證據與事實：有沒有具體數字、來源、案例；引用是否具體（不要求你查證真偽，但空泛口號要扣分）。
- engagement 回應與交鋒：有沒有正面回答對方與提問人的問題，還是問 A 答 B；反駁是否針對對方論點。
- feasibility 可行性：政策有沒有說怎麼做、預算、時程、權責；只喊目標不講方法要扣分。
- delivery 表達與風度：語言是否清楚，有無人身攻擊、貼標籤、搶話或違規。
每個階段（申論、交叉詰問、媒體提問、結論）分開打，再給整場總分（1–10，不是平均，是你的整體判斷）與 80 字內的理由，並各給一句「最有力的一段」與「最弱的一段」（引用逐字稿原句）。
輸出 JSON：
{"phases":{"申論":{"甲":{"clarity":n,"evidence":n,"engagement":n,"feasibility":n,"delivery":n},"乙":{...}}, ...},
 "overall":{"甲":{"score":n,"reason":"...","best":"...","worst":"..."},"乙":{...}},
 "winner":"甲"|"乙"|"平手"}
只輸出 JSON。

使用者訊息只有一行開頭「逐字稿（兩位候選人匿名為甲、乙）：」，後面接整份切好段的逐字稿，格式是：

## 階段：申論
主持人：……
乙：……
甲：……
## 階段：交叉詰問
……

送進模型前，以下字串一律替換成「甲」或「乙」（含語音辨識的錯字變體，稱謂「市長」「委員」保留）：

蔣萬安：蔣[萬灣][安恩]?|蔣娃|蔣官|講官|講完先生|講案先生|蔣安先生|蔣(?=市長|先生|候選人)
沈伯洋：沈[伯柏北不浦梅博浩貝][洋陽]?|省委員|神務委員|沈務委員|沈(?=委員|先生|候選人|市長)

切段用的系統提示（只給 Claude，切完三家共用）：

你拿到的是一場台北市長候選人電視辯論的語音辨識逐字稿，每行開頭是秒數。請標出「發言人或階段改變」的時間點。
階段只有四種：申論、交叉詰問、媒體提問、結論。發言人只有：主持人、提問人、蔣萬安、沈伯洋。
判斷依據是主持人的口令（例如「請○○候選人進行申論」「接下來交叉詰問」「請媒體提問」「最後結論」）、計時鈴聲前後的轉換，以及上下文（候選人互相稱呼對方、自稱「我在市長任內」等）。
不要重抄逐字稿。只輸出每一次換人或換階段的那一行的秒數，以及從那一刻起的 phase 與 speaker。
輸出 JSON：{"marks":[{"start": 秒數(整數), "phase": "...", "speaker": "..."}, ...]}，依時間排序，第一筆從 0 秒開始（開場是主持人、階段寫「申論」前的開場也算「申論」）。只輸出 JSON。

API 參數：Claude max_tokens 8000、其餘預設；GPT-5.5 預設；Gemini temperature 0.3、要求 JSON 輸出；沒有開啟搜尋或任何工具。每家各跑三次，第一與第三次「甲」是蔣萬安，第二次對調。

怎麼做的

逐字稿。 來源是主辦單位 TVBS 在 YouTube 上的官方直播存檔（2 小時 7 分鐘），本站用 Whisper large-v3-turbo 轉成文字，再由模型依主持人的口令（「請○○候選人申論」「接下來交叉詰問」「媒體提問」「結論」）切成四個階段、標上發言人。語音辨識有錯字，我們不修，三家模型拿到的是同一份。

匿名與對調。 送進模型前，「蔣萬安」一律換成「甲」或「乙」，「沈伯洋」換成另一個，連候選人互相稱呼對方的名字也換掉；每一次評分隨機決定誰是甲，三次裡至少對調一次，用來抵銷模型對「甲」或「乙」這個位置本身可能有的偏好。

評分表。 四個階段（申論、交叉詰問、媒體提問、結論）各自打分，每階段五個面向，各 1 到 10 分：

最後再給整場總分（1 到 10，是整體判斷、不是平均）、80 字理由、各引一句「最有力的一段」與「最弱的一段」，以及勝負判定。

模型與次數。 三家各跑三次，共九次；表格給平均與標準差，標準差大代表同一個模型自己也不太確定。模型版本：claude-sonnet-5-5、gpt-5.5、gemini-4-argon，都用各家 API 的預設設定，沒有開搜尋、沒有給任何背景資料。

公開什麼。 評分程式、提示詞、逐字稿切段結果、九次原始 JSON 回覆都放在本站程式庫 ops/lab/debate；文章裡的每個數字都能回溯到那裡。

限制

• 語音辨識的錯字會影響「證據與事實」那一項：數字聽錯了，模型就會以為候選人講錯。我們抽查過幾段，整體可讀，但這是系統性的誤差來源。本文引用的段落已依多家報導把人名與用語校正回原話（「蘇喬惠」→蘇巧慧、「以毒亂回」→已讀亂回、「大接闊」→大街廓；「5099」查證後是公辦都更門檻的政策名稱，原文如此），送給模型評分的逐字稿則維持辨識原樣，沒有改。
• 模型只看文字，看不到表情、語氣、停頓；「表達與風度」只能從用字判斷。
• 匿名擋得住名字，擋不住內容：候選人談到自己的任內政績或所屬政黨時，模型可能猜得出誰是誰。我們沒有辦法完全排除這一層。
• 三家模型都是美國公司的產品，訓練資料裡對台灣政治的理解深淺不一；它們一致的地方比較可信，分歧的地方就是分歧。
• 這是第一次做，評分表和流程會依讀者回饋調整；下一場辯論會用同一套方法再做一次，才有比較基礎。