同一查询，不同答案：语义查询处理中的运行间方差

研究团队重新执行 SemBench、LRO-Bench 和 UDA-Bench 的文本与表格工作负载，记录 120 万次模型调用后发现，在 temperature 0 下，五次执行间有 0.07% 至 10.2% 的行改变算子输出，单个任务上最高达 24.0%。