模型评测的五个误区

误区一二

迷信通用榜单（与业务无关）；样本量太小（几十条无法得出统计结论）。

误区三四五

用 LLM 当裁判却不校准裁判偏差；评测集被过拟合（提示词针对评测题优化）；只测准确率不看延迟与成本。

正确姿势

业务真实样本、人工校准的评分标准、持续回归、多维度指标。评测是工程，不是玄学。