标签评测治理下的文章 | 我的小破站

我的小破站

朋友圈子动态昔日留言关于

朋友圈子动态昔日留言关于搜索

.Sam

2026 1篇文章

09-06 【LLM测评-07】榜单会腐烂：污染、刷分与退役 #LLM测评 #Benchmark #数据污染 #科普 #评测治理

.Sam

内容一般，热爱很满.

50

文章数

9

分类数

118

标签数

公告

欢迎来到我的小破站 🎉

随便写写，随便看看，内容一般，但心情很真 💖

分类

AI Native开发 17 智能体测评 12 LLM测评 9 AI 3 openclaw 3 Github探索 2 前端 2 运维 1 编程 1

热门标签

AI Native 17 SDD 17 AI Agent 12 Benchmark 11 软件工程 11 LLM测评 9 科普 9 测试工程 6 AI 6 可观测性 4 openclaw 4 工程实践 2 GAIA 2 τ-bench 2 SWE-bench 2 CI 2

推荐文章

1 【LLM测评-08】怎么给自家 LLM 出题：从读榜到自建评测 2026-09-06 下午 2 【LLM测评-07】榜单会腐烂：污染、刷分与退役 2026-09-06 下午 3 【LLM测评-06】从“答题”到“干活”：Agent 测评到底在测什么 2026-09-06 下午 4. 【LLM测评-05】代码：从“写个函数”到“修好一个真实 bug” 2026-09-06 下午 5. 【LLM测评-04】AI 的数学能力：从小学应用题到研究级难题 2026-09-06 下午 6. 【LLM测评-03】GPQA：AI 是真会推理，还是背得多？ 2026-09-06 中午 7. 【LLM测评-02】MMLU：当一场考试被考到“饱和” 2026-09-06 中午 8. 【LLM测评-01】一份跑分表，到底该怎么读？ 2026-09-06 上午 9. 【LLM测评-00】AI 为什么也要“考试”？ 2026-09-06 上午 10. 【AI Native开发-04】如何写一份 AI 能执行的 Spec 2026-09-02 早上 11. 【AI Native开发-16】把 SDD 变成团队的 AI Native 研发系统 2026-09-01 晚上 12. 【AI Native开发-15】测试失败后应该回到哪里：失败归因与回退地图 2026-09-01 晚上 13. 【AI Native开发-14】Verify：从“测试通过”到“需求被证明” 2026-09-01 晚上 14. 【AI Native开发-13】测试执行：从单用例到质量流水线 2026-09-01 晚上 15. 【AI Native开发-12】测试调试：让 AI 依据证据定位失败 2026-09-01 晚上 16. 【AI Native开发-11】自动化用例：从文本用例到测试代码 2026-09-01 晚上 17. 【AI Native开发-10】测试设计：从 Spec 生成文本用例 2026-09-01 晚上 18. 【AI Native开发-09】AI Native 模式下的代码评审与变更控制 2026-09-01 晚上 19. 【AI Native开发-08】Implement：让 AI 按计划改代码 2026-09-01 晚上 20. 【AI Native开发-07】AI 动手前的人类闸门：Spec 与 Plan 评审 2026-09-01 晚上 21. 【AI Native开发-06】从 Spec 到 Plan：让 AI 先研究再动手 2026-09-01 晚上 22. 【AI Native开发-05】技术不确定怎么办：用 Spike 把未知挡在实现之前 2026-08-31 下午 23. 【AI Native开发-03】上下文工程：让 AI 真正理解你的项目 2026-08-31 下午 24. 【AI Native开发-02】从一句需求到一次交付：SDD 四道闸门如何拦住错误 2026-08-29 晚上 25. 【AI Native开发-01】AI Coding 最危险的地方：它会把没决定的事情直接做成代码 2026-08-29 晚上 26. 【AI Native开发-00】AI Native开发到底是什么 2026-08-29 晚上 27. 【智能体测评-番外】测评之前：让智能体可测的工程准备 2026-08-27 上午 28. 【智能体测评-10】生产环境的Agent可观测性与持续测评 2026-08-27 早上 29. 【智能体测评-09】三类典型场景的测评方案：Coding Agent、客服Agent、深度研究Agent 2026-08-25 晚上 30. 【智能体测评-08】动手搭一套Agent测评流水线：开源工具链实战 2026-08-25 晚上 31. 【智能体测评-07】自建测评集方法论：别再拿20条case自欺欺人了 2026-08-25 中午 32. 【智能体测评-06】轨迹测评：不只看做没做成，还要看怎么做的 2026-08-24 晚上 33. 【智能体测评-05】LLM-as-Judge的可靠性问题：让模型当裁判到底靠不靠谱 2026-08-24 下午 34. 【智能体测评-04】主流Agent Benchmark全景拆解：GAIA、SWE-bench、WebArena、τ-bench、BrowseComp到底在测什么 2026-08-24 早上 35. 【智能体测评-03】测评的四个层次：从单元测试到生产观测 2026-08-24 早上 36. 【智能体测评-02】Agent失败分类学：智能体是怎么把事情搞砸的 2026-08-23 晚上 37. 【智能体测评-01】从模型跑分测到智能体测评的范式断裂 2026-08-23 晚上 38. 【智能体测评-00】我们的智能体测评体系：总纲 2026-08-23 晚上 39. OpenClaw技术原理分析 2026-03-16 凌晨 40. 从技术原理深度解析OpenClaw爆火的底层逻辑 2026-03-16 凌晨 41. OpenClaw多Agent协作完整使用教程 2026-03-14 晚上

稳定运行