Agent 评测工程
从系统边界出发，逐步讨论终态检验、轨迹审计、统计可靠性与生产准入。
- 01 我们要测什么，又希望从结果中知道什么？ 已发布
- 02 终态断言与环境检验 计划中
- 03 轨迹审计与信用分配 计划中
- 04 可靠性与统计度量 计划中
- 05 交互基准与模拟器解耦 计划中
- 06 裁判可信度与调查智能体 计划中
- 07 沙箱工程与基础设施可复现性 计划中
- 08 Agent 评测与模型评测 计划中
- 09 评测对抗与基准安全 计划中
- 10 从离线基准走向生产准入 计划中
从系统边界出发，逐步讨论终态检验、轨迹审计、统计可靠性与生产准入。