标签
一份用通俗语言撰写、并附有来源支撑的 LLM 评测指南：如何围绕输入、标准答案（gold answer）与评分器（grader）搭建可复现的评测闭环；为何未经校验的评判模型（judge model）是 AI 团队最常见的一种自我欺骗方式；以及如何为代码评分与模型评分（针对检索系统和智能体系统）给出带误差范围的可信数据。