评测基准

评测基准通常由固定数据集、任务定义和评价指标组成，如问答、推理、代码等测试集。它让研究者能在相同条件下比较模型表现，推动技术迭代。但基准可能被过拟合，出现数据污染，因此需要不断更新，并结合真实场景与人工评估，才能全面反映模型能力。