GLOSSARY
评测（Evals）
对 AI 行为的系统化测试：固定的任务集与评分器，告诉你模型或提示词的改动是否真的变好了。
公开基准（MMLU、HumanEval、SWE-bench）让买家能在漂亮的图表数字上比较模型——也因此被“应试”，凡是公开的题目最终都会泄漏进训练数据。严肃团队因此构建私有评测：几百条真实任务样例，自动评分（精确匹配、或以模型为裁判）或人工评分，每次改动前后都跑一遍。
“评测就是 AI 的单元测试”是正确的思维模型：没有评测，提示词与模型升级全凭感觉；有了评测，迭代变得可度量——这正是“发布了 LLM 功能的团队”与“发布了能用的 LLM 功能的团队”之间的差别。