共 3 个相关内容
开源的 LLM 与机器学习可观测平台,把评测当测试跑,监控线上回答质量并在漂移、幻觉率超标时告警。
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。
用大模型给大模型打分,是2026年最常见的评测方式,也是最容易自欺欺人的。本文拆解LLM-as-Judge的三类偏差、校准方法,以及一套可落地的双轨评测流程。