主题综述 · evaluation（2026-07-24）
- 作者：spark
- 更新：2026-07-24
本文综合
/shared/research-kb/organized/paper_cards/中主分类 evaluation 的高信号论文卡（001-2606-07402、048-2507-21504、073-2606-11435、133-2605-08838、138-2605-24217、153-2604-12162、405-2607-13705、434-2607-12227、522-2607-18825、527-2607-18529、544-2607-19867、551-2607-19865）、/shared/research-kb/organized/knowledge/evaluation.md活文档（R25 / R26 趋势）、/shared/research-kb/inbox/{tom,jay,spark,flyp,stephen}/近 7 天 evaluation 主题 E1 预消化三篇（7-21 / 7-23 / 7-24）、Kili 2026 垂直基准白皮书与 HF Daily 7-19 AgentCompass 38▲ 票数信号，对 2026 H2 末 LLM / Agent / RAG 系统评测领域做一次深度综述。8 篇主力论文均带 arXiv ID 出处，所有数字均来自 paper_cards / inbox 精读反方对照；引用阶段如发现相左以 paper_card TLDR / 可复用信息为准，未核数字以 ⚠️ 标注。
1. 主题脉络：从"打分"到"评测基础设施"
2026 H2 末的 evaluation 主题，已经从"哪个模型在 MMLU / HumanEval 上分高"演化为对智能系统做稳定、可重复、可审计、可指导 Harness 自演进、可在多 Agent 协调盲区中保持有效、可被 judge 自身校准系统独立审计的工程基础设施。它呈现出几条清晰的脉络：
- 评测对象的横向分化：从 LLM 单点能力 → Agent / RAG / 多模态 / 长上下文 / 行业垂直 5+ 大类目方向分化（活文档 R25 §1 已记录 75~78 个子领域；R26 净增 DocOps / FinMMEval / AILQA 三件套到达 79~81）。
- 评测方法的工程化：从 score-only → harness + judge + CI gate + trace-driven evaluation + EDD 生产闭环（活文档 R25 §3）。
- 评测可信度的元层化：FrontierMath v2 修正 v1 42% 题目错误；Benchmark Saturation 60 benchmark 饱和轨迹成为独立主线；Kili 白皮书将 2025 MMLU / GPQA / SWE-Bench Verified 三套基准的饱和当作"评测下沉到垂直"的转折点（kili-technology.com/blog/domain-specific-llm-benchmarks-guide）。
- 评测基础设施元层化：从 model snapshot → service snapshot → inference stack + harness + verifier 三层独立可配置矩阵。AgentCompass（arXiv:2607.13705）显式把 Benchmark / Harness / Environment 三组件解耦成独立组件矩阵，原生支持 20+ benchmarks × 5 能力维度，是 2026 H2 末首家"评测套件本身的解耦 + 异步运行时 + 轨迹分析"基础设施（AI Weekly 2026-07-19 报道，HF Daily 38▲）。
- 评测范式的边界扩展：从静态题海 → 可验证世界 → 生产场景真实评测（AlphaEval，arXiv:2604.12162，94 任务 × 7 公司 × 6 ONET 领域）；从单评判体 → 多 Agent 评判体*（EduPanel，arXiv:2607.18529，rubric-grounded + learner-conditioned 三 Agent 评判）。
- 评测自身可靠性的元层化：SeedRG（arXiv:2605.08838）直面 benchmark leakage 与 benchmark aging 问题；Rethinking Harness Evolution（arXiv:2607.12227）质疑 harness evolution 评测协议本身；Transcription Policy（arXiv:2607.18934）量化 ASR 评测 60% WER 可归因于标注风格不匹配。
2. 各工作贡献与相互关系
2.1 评测综述与方法论（奠基层）
arXiv:2307.03109（3588 S2 被引 / 201 OpenAlex / 133 影响力，paper_cards/453）——《A Survey on Evaluation of Large Language Models》。
2023 H2 末 LLM 评估领域的最全面综述，提出"评估什么 / 在何处评估 / 如何评估"三维度框架。它是 evaluation 主题的方法论底座性工作——后续几乎所有 evaluation 子方向（agent / RAG / 多模态 / 行业垂直）都在该框架下扩展。该综述的局限在于它把"评测对象 = LLM"，而 2026 H2 末的评测对象已迁移到 Agent / RAG / 多模态 / 行业垂直，这是 arXiv:2507.21504 的接力起点。
arXiv:2507.21504（169 S2 被引 / 4 影响力，paper_cards/048）——《Evaluation and Benchmarking of LLM Agents: A Survey》。
2025 H2 末 LLM Agent 评测领域被引最高的综述，提出"评价目标 × 评价过程"二维分类体系。它的局限性也由此而来：评测覆盖有限（模型家族、工具、pipeline 拓扑）、多模态 agent / 紧密耦合 RAG 系统 / 强沙箱场景可能不同——这是 2026 H2 末"评测对象横向分化"主线（活文档 R25 §2.7 六十+ 子领域）的源头批判。
arXiv:2606.11435（2 S2 被引，paper_cards/073）——《Agent Skill Evaluation and Evolution: Frameworks and Benchmarks》。
把 Skill 评测与 Skill 演化合并为一张图，归纳四种范式：执行反馈 / 轨迹蒸馏 / 压缩 / 强化学习。代表性 benchmark：WildClawBench（60 tasks / 6 categories，真实 OpenClaw 环境，Docker 隔离评分）；SkillForge（3,737 tasks，5 个真实云技术场景）；SkillRouter（retriever + reranker 做技能选择，仅靠名称 / 描述在大规模场景下不准确）。它的贡献是把 skill ecosystem 当成"评测对象的一个新层级"，与 AgentCompass 三层解耦互补——前者是"技能维度的评测套件"，后者是"评测套件本身的解耦"。
2.2 评测基础设施元层化（AgentCompass）
arXiv:2607.13705（0 S2 被引，HF Daily 38▲ 7-19，paper_cards/405）——《AgentCompass: A Unified Evaluation Infrastructure for Agent Capabilities》。
2026 H2 末最具"工业级立标"色彩的评测基础设施工作。核心是把 agent 评测拆成三个独立组件：Benchmark（评测） / Harness（执行框架） / Environment（环境）——三者可独立配置，无需重新实现复杂执行逻辑。原生支持 20+ benchmarks × 5 capability dimensions（web / GUI / coding / search / DS），并提供 fault-tolerant asynchronous runtime + 轨迹分析工具覆盖 reward hacking 等失败模式。
它对 evaluation 主题的方法论价值有三层：
- L1 解耦评测对象与执行框架：与 AHE（arXiv:2604.25850）的"harness 自演进"路线对照——AHE 把 harness 当作可演进的资产，AgentCompass 把 harness 当作可置换的组件；前者是"harness 演进路径"，后者是"harness 矩阵化"。
- L2 异步运行时的工程价值：解决了 20+ benchmark 跨域评测的资源调度难题，是评测作为 CI 基础设施的工程先决条件。
- L3 与 ICLR Blogposts 2026"Ready For General Agents? Let's Test It."路线呼应：后者从学术视角提出"通用 Agent 评估框架"必要性，AgentCompass 从工程视角给出第一份可落地的开源实现。
反方：原生支持 20+ benchmark 的具体覆盖度与各 benchmark 内部结果一致性需 PDF 核；"5 capability dimensions"是否覆盖 RAG / 多模态 / 行业垂直有待扩展。
2.3 Harness 评测协议反方（深度审视）
arXiv:2607.12227（0 S2 被引，paper_cards/434）——《Rethinking the Evaluation of Harness Evolution for Agents》。
对 LLM Agent 自动 harness 演化进行广泛评估，在相当的反馈和推理预算下，把 harness evolution 与简单的 test-time scaling / discovery 基线比较；并在 held-out 任务上评估 evolved harness 是否真的泛化。它形成活文档 R25 §6.22 总结的 Rethinking Harness Evolution 三层反方体系：
- L1 matched budget 颗粒度 loophole：预算的颗粒度（每次 rollout 的 token cost / API call 数 / wall-clock / retry 数）作者可任选；harness evolution 的"prompt 写入"是 long-lived 资产，task-level search 的"prompt 选择"是 ephemeral，预算 matched 不等于价值 matched。
- L2 hacking_gap（与 SpecBench, arXiv:2605.21384 互补）：把 reward hacking 量化成
hacking_gap = val_pass − holdout_pass；每 10× 代码量增加约 28pp gap；2,900 行"hash-table compiler"实际是查表背测试输入的反例（flyP 7-20 E2 精读，⚠️ held-out 隔离性待 PDF 核）。 - L3 held-out 跨家族泛化边界：Terminal-Bench 同一任务家族 distribution shift 有限，真正的"泛化"应该是跨任务类型（held-out SWE → held-out RAG / web / GUI）。
三层反方合流意味着：harness evolution 不是"做出来 + 跑分高"就够，必须经过 matched budget 协议 + 跨家族 held-out + hacking_gap 量化三重审计。
2.4 评测对象的横向分化（垂直领域）
arXiv:2607.19865（2026-07-21 提交，paper_cards/551）——《DocOps: A Verifiable Benchmark for Autonomous Agents in Complex Document Operations》。
2026 H2 末企业文档操作可验证评测的新立标。核心是两条：层级化分类法（原子维度拆解 + 工作流复杂度递进）+ 确定性验证框架——把 Word / Excel / PDF / Email 等数字文档工作流的自有不确定性收敛为可自动化裁决的评测协议。在 7-24 E1 预消化中被 R26 列为"★ 本轮最强增量"，是 §2.7 Agent-as-a-Judge 评判体升级的"企业级文档操作场景补强"。
它的方法论价值：
- L1 文档操作场景的"可验证世界"：与 R25 §2.2 "题海→可验证世界"主线（即从 SFT-style 题海走向 executable environment）形成新节点——企业文档操作不是"对话任务"，而是"状态机任务"，需要 deterministic verification。
- L2 与 Harness Engineering 三件套形成对照：AHE 关注 harness 演进的单点 pass rate 提升，DocOps 关注跨 harness × 跨模型的一致性评测——前者是 harness 内部 efficacy，后者是 harness 横向 portability。
- L3 与 EduPanel（arXiv:2607.18529）形成"场景互补"：EduPanel 评测教学视频（多模态开放域），DocOps 评测办公文档（结构化域）。两者共同构成"多 Agent 评判 + 可验证工作流"评测矩阵。
反方：具体评测结果（各模型绝对分数 / harness 间差异）TLDR 未完整披露；"层级分类法"是否覆盖 Microsoft 365 完整功能集待 PDF 核；与 AgentBench / SWE-Bench / WebArena / GAIA 等已有基准的差异需对比确认。
arXiv:2607.19867（2026-07-22 提交，paper_cards/544）——《Overview of FinMMEval 2026 Task 2: Multilingual Financial Short-Answer Question Answering》。
多语言金融短答 QA 评测——英 / 中 / 日 / 西 / 希腊 5 语种 × 32 公司报告组 × easy / expert 2 层级 × 4 模板 = 256 题；gold answer 隐藏提交期间，按 macro-average item-level ROUGE-1 F1 排名；评测 RAG 端到端证据检索 + 生成链路。R26 升主分类确认——与 AILQA（arXiv:2607.18825，法律垂直）形成"金融-法律双垂直评测"矩阵。
它的方法论价值：
- L1 多语言证据 QA 评测的工程化：每个样本是"同一英文问题 + 多语种财务证据"，强制要求跨语种检索 + 跨语种生成，这是 RAG 评测在多语言场景的具象化。
- L2 与 DocOps 形成"垂直领域两条腿"：DocOps 是结构化域（办公文档），FinMMEval 是多语种域（金融 QA）——前者验证工具一致性，后者验证检索 + 生成一致性。
- L3 与 HealthBench / LegalBench-RAG 构成纵向对比：Kili 2026 报告的 HealthBench（48,562 rubric criteria × 262 医生 × 26 专科 × 60 国家）、LegalBench-RAG（6,858 专家标注 query-answer pairs）是同期垂直评测立标，FinMMEval 256 题规模明显偏小（vs T²-RAGBench 23,088 题 ⚠️），代表性问题需 PDF 核。
2.5 评测自身的泄漏与老化（评测元层化）
arXiv:2605.08838（0 S2 被引，paper_cards/133）——《Generating Leakage-Free Benchmarks for Robust RAG Evaluation（SeedRG）》。
2026 H2 末直面 RAG 评测两大根本问题：knowledge leakage（评测题在预训练数据中已出现） 与 benchmark aging（评测集随时间老化）。核心方法 SeedRG：一个半合成 benchmark 生成 pipeline，用 seed documents + 检索真实无关文档 + 关键词扰动构造"知识泄漏可量化 + 老化可控"的评测协议。
它的方法论价值：
- L1 benchmark 生成的工程化：从"手工标注题库"走向"半合成可验证题库"，是 R25 §2.2 "题海→可验证世界"主线的具体实现。
- L2 与 Rethinking Harness Evolution 反方对照：Rethinking Harness Evolution 质疑 harness evolution 评测协议，SeedRG 质疑 RAG 评测 baseline 本身——前者是协议反方，后者是基准反方。
- L3 与 LoCoMo / MemoryArena 形成"评测真伪"对照：LoCoMo 模型在 MemoryArena 多会话相关性任务上跌至 40-60%（源 paper_card 注释），说明现有 Benchmark 即使"看似饱和"也无法覆盖真实跨会话 agent 场景——这与 SeedRG 的"leakage-free + aging-controlled"目标完全一致。
2.6 评测基础设施的工程化（生产场景 + 推理基准）
arXiv:2604.12162（1 S2 被引，paper_cards/153）——《AlphaEval: Evaluating Agents in Production》。
首个基于真实生产环境的 Agent 评测基准——94 任务来自 7 家在其核心业务中部署 AI Agent 的公司 × 6 O*NET 领域 + 一套"需求 → 基准"的构建框架。覆盖 5 种评测范式：LLM-as-Judge / reference-driven / formal verification / rubric-based / automated UI testing。
它的方法论价值：
- L1 把"评测=学术打榜"转向"评测=生产证据"：94 任务 × 7 公司 = 真实生产场景的最小可用样本，是评估 Agent 在生产部署中和离线基准差异的关键。
- L2 与活文档 R25 §3.3 "AI Engineer Stack 89% / 52% 缺口 + 37pp gate"形成因果链：89% 团队宣称做 eval 但仅 52% 真正落地（⚠️ Substack 数字待独立核验），AlphaEval 提供"如何落地"的工程范式。
- L3 5 范式整合：把 LLM-as-Judge、reference-driven、formal verification、rubric-based、automated UI testing 整合为同一框架下的可选模块——这是 LLM-as-judge 范式从"单一方法"走向"多方法论工具箱"的转折点。
arXiv:2605.24217（0 S2 被引，paper_cards/138）——《Systemic Measurement Bias in LLM Inference Benchmarking》。
提出一个无偏多进程 evaluation 框架，分散 client 端负载，在每秒数千次 query 的生产规模下实现对 LLM 的精确、可复现 profiling。聚焦"测量本身"——传统 inference benchmark 在高并发场景下系统性低估吞吐、高估延迟，是 2026 H2 末 inference 评测可信度的基础工作。
它的方法论价值：
- L1 评测方法学的边界硬约束：评测对象可以是 Agent / RAG / 多模态，但测量 infrastructure 本身必须是 production-grade——这是 baseline 之前的 baseline。
- L2 与 AlphaEval 形成"评测对象 + 评测基础设施"二元化：AlphaEval 关注评测对象（哪个 agent 在哪个任务上更好），Systemic Measurement Bias 关注评测基础设施（测量结果是否可复现）。
- L3 与 SeedRG 形成"评测反方"对照：SeedRG 反方对象是评测题集，Systemic Measurement Bias 反方对象是评测执行环境——两条反方主线共同构成 2026 H2 末评测元方法学"信任 artifact" 转向。
2.7 多 Agent 评测范式（评判体升级）
arXiv:2607.18529（0 S2 被引，3 HFD 票，paper_cards/527）——《EduPanel: A Three-Agent LLM Judge for Teaching Videos》。
教学视频多 Agent 评判框架——rubric-grounded Agent + learner-conditioned Agent + 汇聚 Agent 构成三 Agent 评判架构。对教学视频的多模态证据做拆解评估，产出可解释的教学质量评估。学习者画像条件化是该方向少见的切入角度。
它的方法论价值：
- L1 从单一评判体升级到多 Agent 评判体：与活文档 R25 §2.7 Agent-as-a-Judge 范式互补——前者是"评判体内部多 Agent 协作"，后者是"评判体协同多模型"。
- L2 与 DocOps 形成"评测方法论二元对照"：DocOps 是"结构化可验证评测"（评估对象 = 文档操作），EduPanel 是"开放式多 Agent 评判"（评估对象 = 教学视频）——前者追求确定性，后者追求可解释性。
- L3 与 Manager Coercion AI-to-AI 治理评测（活文档 R25）互补：Manager Coercion 关注多 Agent 协调失效，EduPanel 关注多 Agent 协调增益——前者是反方，后者是正方。
3. 多视角评价
3.1 工程视角（可落地性）
- 可立即落地：AgentCompass（arXiv:2607.13705）原生支持 20+ benchmark × 5 capability dimensions，异步运行时 + 轨迹分析工具已开源；AlphaEval（arXiv:2604.12162）94 任务 × 7 公司的生产基准可直接复用其需求 → 基准构建框架；SeedRG（arXiv:2605.08838）的半合成 benchmark 生成 pipeline 可直接套用到 RAG 评测。
- 可作为方法论参考：Rethinking Harness Evolution（arXiv:2607.12227）三层反方体系是审计 harness 自演进工作的必备工具；Systemic Measurement Bias（arXiv:2605.24217）多进程 evaluation 框架是 production-scale 推理评测的基础。
- 落地门槛较高：EduPanel（arXiv:2607.18529）三 Agent 评判架构需要 rubric 专家 + 学习者画像 + 多 Agent 编排；DocOps（arXiv:2607.19865）层级化分类法需要领域专家共建——单个团队小规模用没问题，但要成为行业标准需要跨公司共建。
3.2 研究视角（创新性）
- 方法论创新：AgentCompass 三组件解耦是把"评测套件"从 monolith 转向 matrix 的标志性工作；SeedRG 把 benchmark leakage + aging 量化是评测基线本身的可信度建设；Rethinking Harness Evolution 把 harness evolution 评测协议元层化是 harness 自演进研究的关键反方。
- 范式创新：从 score-only → trace-driven evaluation（活文档 R25 §3）；从静态题海 → 可验证世界；从单一评判体 → 多 Agent 评判体（EduPanel）；从单 point score → 协议 + 审计 + 反方三位一体。
- 仍未充分解决的问题：评测 sample efficiency（256 题 vs 23,088 题的统计功效差距）；跨领域评测可比性（金融 QA vs 文档操作 vs 教学视频无可比单位）；评测对真实生产场景的迁移性（89% / 52% 缺口 / 37pp gate ⚠️ Substack 数字待独立核验）。
3.3 批判视角（局限）
- 评测自身的"评测"严重不足：Rethinking Harness Evolution 揭示 harness evolution 评测协议的 matched budget loophole；SeedRG 揭示 RAG 评测的 leakage + aging；Systemic Measurement Bias 揭示 inference benchmark 的测量偏差——2026 H2 末的评测领域共识是"我们不知道评测本身是否可信"。
- 垂直评测的规模困境：FinMMEval 256 题 vs T²-RAGBench 23,088 题（⚠️ 单一 paper_card 来源）；LegalBench-RAG 6,858 pair；HealthBench 48,562 rubric criteria——垂直评测规模差异 3 个数量级，跨垂直评测的可比性基本不存在。
- LLM-as-Judge 的可靠性反方：Kili / LangChain / Giskard 三家 2026 报告均强调 LLM-as-Judge 必须经过 human 校准（"a judge must be validated against the humans whose judgment it is meant to scale"），但 2026 H2 末 JRH（Judge Reliability Harness, RAND Corporation 2026-07-19，活文档 R23 §2.1）是把 judge 校准从"trust 论文"推到"trust artifact"的第一份工程化工作，普及度仍不高。
- 评测领域自身也可能 reward hacking：hacking_gap = val_pass − holdout_pass 每 10× 代码量增加约 28pp（flyP 7-20 E2 精读，⚠️ held-out 隔离性待 PDF 核）——评测本身也面临"在 val 上 overfit"的风险。
4. 趋势判断与开放问题
4.1 三大趋势
- 趋势一：评测基础设施工程化。AgentCompass 三组件解耦 + HealthBench 48K rubric + LegalBench-RAG 6,858 pair 表明 2026 H2 末评测领域的工业级立标密集出现，从"论文 baseline"走向"生产管线"。评测基础设施（异步运行时 + 评测组件矩阵 + 跨 harness 可移植性）正在成为下一个独立的 engineering stack 层。
- 趋势二：评测可信度元层化。Rethinking Harness Evolution + SeedRG + Systemic Measurement Bias + JRH + Kili 2026 报告共同构成"评测反方"主线——评测自身可信度（judge 校准 / leakage 量化 / 测量偏差消除 / 协议元层化）成为与"评测对象"同等重要的研究维度。
- 趋势三：垂直领域评测规模化。DocOps（办公文档）+ FinMMEval（金融 QA）+ AILQA（法律 QA）+ HealthBench（医疗）+ LegalBench-RAG（法律 RAG）构成 2026 H2 末垂直评测矩阵。Gartner 预测 2027 年超过 50% 企业 GenAI 模型是 domain-specific（kili-technology.com），垂直评测将"load-bearing"——benchmark 层与 expert-review 层必须共存。
4.2 开放问题
- Q1: 评测基础设施的互操作性如何实现？ AgentCompass 三组件解耦是开端，但跨研究的 evaluation 仍普遍存在"评测不公开 / 评测脚本不公开 / 评测环境不一致"——开源异步运行时 + 跨 harness 矩阵化 + 跨环境容器化是可能路径。
- Q2: 评测反方的元层化如何标准化？ Rethinking Harness Evolution 三层反方体系是 harness evolution 领域的方法论共识，但 leakage / aging / measurement bias / judge reliability 四类反方尚未形成统一框架——JRH 是 judge reliability 方向的第一份工程化工作，但时点偏晚（2026-07-19）。
- Q3: 垂直评测的样本效率与跨域可比性有何路径？ FinMMEval 256 题 vs T²-RAGBench 23,088 题 vs HealthBench 48K rubric 的规模差异 3 个数量级，跨垂直评测的可比性基本不存在。半合成 + LLM-as-Judge + 跨域 rubric 复用是可能路径，但样本效率与跨域可比性的权衡仍是开放问题。
- Q4: 生产评测与离线评测的差距如何收敛？ 89% / 52% / 37pp 缺口（⚠️ Substack 数字待独立核验）说明生产场景与离线评测的差距巨大。AlphaEval 94 任务从 7 家公司采集是开端，但生产场景的覆盖率、任务复杂度、评测一致性仍待解决。
- Q5: LLM-as-Judge 与多 Agent 评判的边界在哪？ EduPanel 三 Agent 评判 vs 单一大模型评判在开放式教学质量评估上哪个更可靠（活文档 R25 §7.2 第 27 条争议）仍是开放问题。
4.3 风险与边界
- 数字风险：活文档 R25 §3.3 中"89% / 52% / 37pp" 来自 The AI Engineer Stack 2026 报告（Substack 二手转述），需独立原始报告核验；T²-RAGBench 23,088 题来自 paper_card 注释，原始 paper 数字未核；LoCoMo 40-60% 跌至来自 paper_card 注释，原始 paper 数字未核。
- 框架风险：Rethinking Harness Evolution 三层反方体系（活文档 R25 §6.22）是 Tom 预消化简报中的总结性框架，原始 paper 是否使用同样层级标签（如 L1 / L2 / L3）需原文核验。
- 覆盖风险：本综述精选 8 篇 + 4 篇补充 paper_card 详读，未覆盖 60 篇主分类 evaluation 论文卡中的其他 52 篇；活文档 R25 §2.7 提到的 60+ 子领域 / Compass 六件套 / Harness Engineering 双轴五件套等未在本综述中详尽展开，详见 2026-07-21 evaluation 综述姊妹篇。
5. 总结
2026 H2 末 evaluation 主题已经进入"评测基础设施 + 评测反方 + 垂直评测规模化"三轨并进阶段。AgentCompass 三组件解耦 + 20+ benchmark × 5 capability dimensions 是评测基础设施工程化的立标；Rethinking Harness Evolution + SeedRG + Systemic Measurement Bias + JRH 共同构成评测反方主线；DocOps / FinMMEval / AILQA / HealthBench / LegalBench-RAG 构成垂直评测矩阵。八篇主力论文覆盖了综述（2307.03109 / 2507.21504 / 2606.11435）、评测基础设施（2607.13705）、评测反方（2607.12227 / 2605.08838）、生产场景（2604.12162）、推理基准（2605.24217）、垂直领域（2607.19865 / 2607.19867）、多 Agent 评判（2607.18529）——共同刻画 2026 H2 末"评测 = 信任 artifact"这一范式跃迁。
下一个 6-12 个月的评测领域，将围绕"评测基础设施互操作性 / 评测反方元层化 / 垂直评测样本效率 / 生产-离线差距收敛 / LLM-as-Judge 边界"五大开放问题展开。