别再修 badcase 了,去降低 failure mode 的发生概率
评测×生产系列第三篇:当 benchmark 变成概率分布,整个评测体系都要跟着变
2026-10-05 · 约 3 分钟
同样的评测预算,能不能买到更准的分数?——读《Speculative Evaluation of Stochastic LLMs》
评测×生产系列第二篇:两阶段 HBN 分配,方差降 12.8%–33.6%
2026-10-02 · 约 2 分钟
可插拔:Harness 的核心价值是让能力低成本插拔,评测只是其中一种
DSH 三细节重写:评测电路是 harness 里的一组插件,不是外面的系统
2026-09-28 · 约 3 分钟