概念AI评估 / LLM评估
大模型评估
针对AI系统输出质量进行量化打分的方法论，取代传统软件测试的非黑即白断言逻辑，涵盖大模型、RAG与Agent三大评估对象
时间轴 (近 90 天)
10月29日
排行榜成绩和实际部署效果之间存在距离，真实安全运营环境包含噪声数据、遗留系统和未文档化的内部逻辑。
待验证50%
10月15日
Agent 评估与大模型评估不同：大模型评估通常是给一个问题看生成答案，而 Agent 涉及多步推理、工具调用、状态流转，评估对象从单次输出变成整条执行轨迹。
待验证50%
10月15日
大模型评估、RAG评估、智能体评估是三个不同层次的问题，不能混用同一套方法论。
待验证50%
9月4日
比较大模型时必须区分'总参数量'与'激活参数量'才能做出有意义的比较，单纯比较参数总量具有误导性
待验证50%