Benchmarks on Chen Kai Bloghttps://www.chenk.top/zh/tags/benchmarks/Recent content in Benchmarks on Chen Kai BlogHugozh-CNSun, 05 Apr 2026 09:00:00 +0000大模型工程（十）：LLM-as-Judge 与评估https://www.chenk.top/zh/llm-engineering/10-evaluation/Sun, 05 Apr 2026 09:00:00 +0000https://www.chenk.top/zh/llm-engineering/10-evaluation/<p>评估是大模型技术栈中争议最多、信心最弱的一环——榜单被刷分、公开基准遭污染，我参与过的多数团队甚至在初期连自己的评估集都没有。本章将聚焦五个关键问题：评估真正能揭示什么、基准暗藏的陷阱、无人修复的 LLM-as-judge 偏差、多数团队忽略的校准指标，以及能在客户感知前捕获回归的生产级评估模式。</p>