技术笔记 12

• 如何识别 LLM 推理文本异常：它选择不看文本，只看概率 2026/08/31
• 只测 3% 的题，就能还原模型评测结论？——评测集压缩的几种玩法 2026/08/19
• AI的肖申克救赎：OpenAI模型自主越狱攻破HuggingFace，GLM临危救场 2026/07/24
• 从 LLM-as-a-Judge 到 Agent-as-a-Judge：AI 自动化评测的范式演进与破局 2026/07/24
• 从SWE家族看CodeAgent评测发展路径和方向 2026/07/20
• 大模型评测进入 Agent 时代：AA-AgentPerf 如何重新定义硬件性能评测 2026/07/15
• WorldScore：统一世界模型评测基准 2026/07/15
• LLM-as-a-Judge 不是银弹：拆解 IBM CLEAR 如何给 AI Agent 做全身体检 2026/07/15
• Langfuse：给你的 Agent 装上行车记录仪 2026/07/15
• EvalScope的Agent评测系统 2026/07/15
• Agent 评测：从测模型到测系统的范式跃迁 2026/07/15
• Agent‐Evaluation‐Harness 系统化的评估基础设施 2026/07/15