拆解 msprobe response_anomaly：不看输出文本，只靠 token 概率分布检测乱码、复读机与异常回复。

只测 3% 的题，就能还原模型评测结论？五种评测集压缩算法横向对比：从 K-Means 聚类到 EssenceBench 排名一致性，附团队实践与选型建议。

OpenAI 内测模型为在安全评测中抄答案，自主突破沙箱、挖出零日漏洞、入侵 HuggingFace 生产环境——而最终拦住它的，是一款中国开源模型。

从 LLM-as-a-Judge 到 Agent-as-a-Judge：AI 自动化评测的范式演进与破局。

从 SWE 家族（SWE-bench、SWE-bench Verified、SWE-Marathon、FrontierSWE 等）看 Code Agent 评测的发展路径和方向。

大模型评测进入 Agent 时代：AA-AgentPerf 如何重新定义硬件性能评测——真正的战场是并发智能体承载能力。

WorldScore：统一世界模型评测基准——从静态图像到动态视频、从感知到物理一致性。

LLM-as-a-Judge 不是银弹：拆解 IBM CLEAR 框架如何给 AI Agent 做全身体检。

Langfuse 给 Agent 装上行车记录仪：trace、span、observation 三层结构让你看透 Agent 的每一次决策。

EvalScope 的 Agent 评测系统：从多轮对话到工具调用、从结果评测到过程评测的完整方案。