4.4 评测：怎么知道模型好不好#

评测通过两类度量刻画模型质量，连续的损失（loss）与离散的任务得分；量法（zero/few-shot、CoT、精确匹配或选项概率）对分数的影响往往超过模型本身，而分数又可能被数据污染、榜单博弈与裁判偏置系统性地扭曲。因此，正确解读一个分数比提高一个分数更难。