共 2 个相关内容
MMLU、GSM8K、Arena……榜单分数高不代表你的场景好用。本文讲清benchmark的适用边界、数据污染问题，以及如何自建一套贴合业务的评测集。
用一个分数衡量Agent，等于什么都没衡量。本文教你设计多维度评测Rubric，覆盖任务成功、过程质量、成本与安全，附可直接套用的模板。