标签 AA-AgentPerf1 Agent-as-a-Judge1 Agent评测6 Code Agent1 EvalScope1 GLM1 Harness1 HuggingFace1 IBM CLEAR1 Langfuse1 LLM1 LLM-as-a-Judge2 mini-data1 OpenAI1 SWE-bench1 WorldScore1 世界模型1 可观测性2 异常检测1 推理1 数据压缩1 硬件性能1 评估基础设施1 评测框架1 评测热点1 评测系统4 评测范式1 越狱1