主题综述 · evaluation（2026-07-29）

作者：spark
更新：2026-07-29

本文综合 /shared/research-kb/organized/paper_cards/ 主分类 evaluation 近 3 天高信号论文卡（628-2607.23402、631-2607.22561、640-2607.24368、642-2607.24957、611-2607.22345、617-2607.20465、522-2607.18825、527-2607.18529、528-2607.18934）、/shared/research-kb/organized/promo/explainers/ 7-29 同步解读、/shared/research-kb/inbox/tom/2026-07-28-evaluation-e1prep.md 与 2026-07-29-evaluation-e1prep.md 两份 E1 预消化、/shared/research-kb/organized/knowledge/evaluation.md 活文档 R29、PAJAMA 官方项目页与 InMind HF 论文页对 2026 H2 末评测做深度综述。8 篇主力论文均带 arXiv ID 出处，未核数字以 ⚠️ 标注。

1. 主题脉络：从"评测套件可信度审计"到"评测维度自身缺失审计"

2026 H2 末 evaluation 主题相比 7-24 综述关注的"评测基础设施元层化（AgentCompass / AHE / JRH）+ 评测反方（Rethinking Harness Evolution / SeedRG / Systemic Measurement Bias）+ 垂直评测规模化（DocOps / FinMMEval / AILQA / HealthBench / LegalBench-RAG）"三轨并进，已演进为"评测套件自身可信度审计 → 评测维度自身系统性缺失审计"的更激进转向。本期 4 条 E1 增量（2 确认 + 2 邻接）虽薄但全部集中在该主线下：

PAJAMA（arXiv:2607.22561） 把 LLM-as-judge 的可信度从"trust prompt"推到"trust 程序化评判委员会"——是 R26 JRH 的"反方向工程化落地"。
InMind（arXiv:2607.24368） 把评测反方从"基准饱和 / 泄漏 / 老化（SeedRG）"和"hacking_gap（SpecBench）"推到"评测维度自身系统性缺失"——暴露 84.0%（in-context 天花板）vs 14.4%（检索最佳）vs ~100%（同题显式召回）的 70pp 鸿沟。
PerceptionBench（arXiv:2607.24957） 把"评测维度自身缺失审计"推到多模态视觉感知层——定义 10 个原子视觉感知能力，揭示"任何前沿 MLLM 都不过 60% / 感知幻觉最弱 / 总分相近能力剖面差异巨大"三连结论。
Warp Divergence（arXiv:2607.23402） 把"评测基础设施元层化"延伸到 GPU 微架构层——量化 ITS 以来 GPU warp divergence 的稳定线性串行化模型（T(k) ≈ sk）与代际重汇聚机制（Pascal SSY/SYNC 栈 → Ampere+ barrier-register → Blackwell 两层 convergence barrier）。

四条增量合流的核心信号："评测维度自身缺失审计"成为 2026 H2 末评测反方主轴的新层级——从"分数不饱和就怀疑基准饱和（SeedRG / FrontierMath v2 修正）" → "分数不饱和就怀疑 judge 自身有偏（JRH / PAJAMA）" → "分数不饱和就怀疑评测维度本身从未被覆盖过（InMind / PerceptionBench）"。

2. 各工作贡献与相互关系

2.1 LLM-as-judge 的程序化替代（PAJAMA）

arXiv:2607.22561（paper_cards/631）——《Codifying the Judge: Scalable Evaluation via Program Distillation》。

2026 H2 末直面 LLM-as-judge 三大缺陷——高成本（每样本 LLM API）/ 高延迟（流水线瓶颈）/ 决策不透明（黑箱打分）——提出程序蒸馏（Program Distillation）作为可扩展替代：不再在评测时调用 LLM，而是用 LLM 标注数据训练一个"程序委员会"（committee of programs），程序接受同样的输入、直接输出分数。工程实现是 PAJAMA（Programmatic Judge Architecture）系统——一组 n 个程序化 judge 并行打分 → 弱监督聚合 → 联合判决 → 低置信度 fallback 回 LLM judge。

关键实验数据（Sprocket Lab 官方页面 / Emergent Mind 综述）： - 匹配 13B LLM judge：在 RewardBench / MT-Bench / ChatEval / SummEval 等 5 个数据集 × 4 个模型家族上，PAJAMA 程序化 judge 准确率与 13B LLM judge 持平。 - 偏见缓解：相对 Qwen2.5-14B LLM-as-judge，评判一致性 +15.83%，偏见响应 -23.7%（⚠️ 来自 Emergent Mind 综述，原文 PDF 未独立核验）。 - 奖励信号蒸馏：用程序 verdict 蒸馏的 reward model 在 RewardBench CHAT-HARD 上超越 GPT-4 labels 训练的 reward model：Prometheus +2.19%、其他 +8.67%。 - 成本两个数量级降低：合成全部程序成本仅 $0.053（vs LLM-as-judge labels 的 $133–300）；reward model 训练标注成本低 45-50×。

与活文档 R29 脉络的关系：落入 §2.4「Judge & Harness 工程」——是 R26 JRH 的"反方向工程化落地"：JRH 校准 judge 自身可靠性（保留 LLM、量化其可靠性），PAJAMA 把 judge 整个蒸馏为程序（去掉 LLM、把决策逻辑代码化）。两者方向相反但互补——JRH 适合高维开放式评估，PAJAMA 适合可规则化、规模化、成本敏感场景。与 Lilian Weng Harness Engineering 同构——都将"运行时推理"蒸馏为"可执行代码"。

反方：复杂评测维度（教学视频质量 / 法律推理质量 / 创造性写作）的专业判断是否可完全规则化尚存疑；PAJAMA 在数学证明 / 临床决策的评测质量与原始 LLM-as-judge 的差距原文未充分验证；程序表达能力上限仍是开放问题。

2.2 评测维度自身系统性缺失的首次系统化（InMind）

arXiv:2607.24368（paper_cards/640，HF 票数 19▲ 7-29）——《Keep It InMind: Benchmarking the Implicit-Association Blind Spot in Agent Memory》。

2026 H2 末把评测维度自身缺失审计首次系统化的工作。核心问题：长期记忆系统行业普遍默认"需要被用到的记忆一定会在文本上和查询长得像"——但世界知识击穿了这个假设：用户对树坚果过敏 → 用户问"能吃马卡龙吗？"答案依赖"杏仁粉来自杏仁"这一桥接事实，但"过敏"和"马卡龙 / 杏仁"之间没有共享字面 cue。

核心方法与数据（HF 论文页直接确认）： - InMind benchmark：125 个任务 × 10 个生活领域，专家验证，113/125 任务可追溯到公开信息源。 - 配对控制（paired controls）：每个任务都设计三种易混淆解释的对照——C1：事实根本没被存 / C2：模型缺乏桥接知识 / C3：事实被存了但检索阶段没召出来（InMind 真正想测的盲点）。 - 关键实验： - 直接 in-context：把"决定性记忆"放在 prompt 里。模型能用答：84.0%（模型"理解能力"的天花板）。 - 检索条件：六大记忆系统（HippoRAG 2, A-RAG, A-Mem, Mem0, MemoryOS, xMemory）最高答对率：14.4%。 - 同题显式召回：让系统被问"请列出用户所有过敏原"时，接近 100% 的事实被召回——即"事实确实在库里，但该用的时候用不到"。 - 最小诊断探针：让"决定性记忆"始终保留在视野中（仅位置或可见性变化），恢复了大半 gap——坐实问题在 routing，不在 LLM，也不在记忆库容量。 - embedding 维度实验：把 embedding 模型从基线换到 8 倍维度——每个系统的 answer-blind target recall 都提升了，但gap 几乎没缩小——反驳"换更大的 embedding 就能解决"的直觉。

与活文档 R29 脉络的关系：落入 §1.1「评测对象扩展」+ §2.2「Benchmark 设计」+ §1 现状全景 #2「Agent / RAG / 长上下文系统暴露'不可见失败'」三条主线——InMind 是首个系统性把"评测维度自身缺失"作为 benchmark 维度的研究。与 R26 Deceptive Grounding（13 模型 100% 实体归属失败）同源"看不见的失败"，但 InMind 聚焦"隐含关联"而非"实体归属"。

与 R25 LoCoMo / LoCoMo-Plus / ImplicitMemBench 的对照（InMind 原文 § 相关工作明确区分）： - LoCoMo（Maharana et al., 2024）：长对话记忆，关联由 LLM 模拟对话生成——"模型自己提的关联，测试时也容易自己推导出"。 - LoCoMo-Plus（Li et al., 2026）：认知记忆，测"用户状态 / 目标 / 价值"在 cue-trigger 语义断开下能否存活。 - ImplicitMemBench（Qin et al., 2026）：行为隐式记忆，Learning–Interfere–Test 短协议下的程序性学习 / 启动 / 条件化。 - InMind：知识介导的"显式用户事实"应用，关联依赖外部可验证的桥接，113/125 任务源溯公开信息——这是它与上述三件的关键差异（避免"LLM 自生成 → 自评测"的循环偏差）。

反方：规模 125 题偏小（统计显著性可能受限）；领域局限（覆盖"日常生活"，未覆盖企业 / 工程 / 编程场景的 agent 记忆）；静态评测（一次写入 + 一次查询，未测长期演化）；桥接知识来源假设可能放大或缩小 14.4% 数字。

2.3 多模态评测的"原子感知缺失"诊断（PerceptionBench）

arXiv:2607.24957（paper_cards/642，副分类 multimodal，HF 票数 5▲ 7-29）——《PerceptionBench: Evaluating Atomic Visual Perception in Multimodal Large Language Models》。

2026 H2 末把"评测维度自身缺失审计"推到多模态视觉感知层的工作。现有 MLLM 评测有两条盲点：① 整体性评测混淆错误（"答错一道题到底是没看清图还是不会推理"）；② 应用驱动型评测碎片化。PerceptionBench 的核心思路是bottom-up 诊断：先看 MLLM 答错题时最早出错的是哪一步，再把"最早出错"分类，最终分类里和推理 / 知识无关、纯看图出错的那一支就是"原子视觉感知"。

核心方法：在 42 个现有 benchmark 上系统跑了前沿 MLLM，对失败响应做错误归因，得到一棵错误分类树。树的"感知分支"细化成 10 个原子能力：物体识别 / 计数、属性识别（颜色、形状、材质）、空间关系、文字 / OCR 识别、细粒度区分、场景理解、时间 / 运动、图表结构 / 数据读取、抽象视觉模式、感知相关幻觉。题目构造：3,000 道 / 10 个原子能力 / 全部人工核验——每题只测一个原子能力，答案短且明确，难度来源只能是感知，不允许靠推理 / 外部知识绕过。

关键结论（flyP 7-29 explainer 2607-24957 详述）： - 原子感知远未解决：16 个前沿 MLLM（含 GPT-4o / Claude / Gemini / Qwen-VL / InternVL 等一线），没有任何一个跨过 60% 准确率。 - 感知相关幻觉是最弱能力：不仅"看错"，还"看到不存在的东西"——后者往往更难发现、对下游任务危害更大。 - 总分掩盖能力剖面：两个模型总分接近，但在 10 维能力向量上的分布完全不同——意味着单数字打分对选型基本无用。

与活文档 R29 脉络的关系：落入 §1 现状全景 #5「多模态评测进入饱和期 + 套件自身可被解构」——PerceptionBench 是"套件自身可被解构"的具体方法。与 R26 Apple-π（视频生成物理定律 grounding）同构——Apple-π 把"评测失败"分解到推理链逐帧，PerceptionBench 把"评测失败"分解到原子感知错误分类。

反方：10 个原子能力粒度不均（OCR 和细粒度识别难度量级不同）；"短答案"不考察多跳 / 序列感知；3,000 题对稳健能力剖面评估仍偏小；全部题目来自 42 个现有 benchmark 的失败改写，与原生分布可能有偏；诊断而非处方。

2.4 评测基础设施的底层性能审计（Warp Divergence）

arXiv:2607.23402（paper_cards/628）——《Characterizing Warp Divergence from Pascal to Blackwell》。

把"评测基础设施元层化"延伸到 GPU 微架构层的工作。Warp divergence（线程束分歧）是 CUDA/GPU 编程的核心性能问题。自 Volta（2017 年）引入独立线程调度（ITS）以来，业界普遍假设现代 NVIDIA GPU 以固定且文档不透明的方式处理 warp divergence，但从未被系统验证。

核心方法：① 周期精确微基准测试；② 硬件计数器（nvprof / NVTX）；③ 编译器 SASS 静态分析。覆盖代次：Pascal（P100）、Ampere（A100）、Hopper（H100）、数据中心与消费级 Blackwell（B100 + RTX 50 系列）。

关键发现： - F1：分歧串行化线性增长，无超线性惩罚——T(k) ≈ s × k。 - F2：Warp 执行效率 = 32/k，occupancy 不影响惩罚——Predication（谓词执行）可消除串行化成本。 - F3：编译器重汇聚机制代际演变——Pascal SSY/SYNC 栈 → Ampere/Hopper barrier-register → Blackwell 两层 Convergence Barrier + Uniform Branch。 - F4：延迟重汇聚大幅减少——Ampere 上有 29 个延迟重汇聚 case，Blackwell 上仅剩 2 个。 - F5：Blackwell Barrier 是静态编译分类。

与活文档 R29 脉络的关系：落入 §2.2「Benchmark 设计」+ §2.5「评测方法学批判」——Benchmark 自身方法论局限性（向量数据库 ANN-Benchmarks 使用过时低维数据集的陷阱 / Warp Divergence 静态 benchmark 无法反映 compiler-level 重汇聚演进）共同构成"基础设施层 Benchmark 方法论批判"。

反方：评测 warp divergence 串行化模型与重汇聚机制，不直接评测 AI 工作负载端到端性能；编译器是 NVIDIA 私有，无法直接对比 AMD / Intel GPU；不涉及 tensor core / 矩阵乘法等 AI 关键路径。

2.5 评测对象的纵向延续

arXiv:2607.22345（paper_cards/611）——Teachy Mini：2026 H2 末具身社交机器人评测基准，补充 R29 评测对象 34 → 35 维（具身教育 KBD 评测）。Reachy Mini 机器人平台落地，Preliminary Evaluation 覆盖知识准确性 / 辅导行为有效性 / 错误响应处理 / 透明度指标。

arXiv:2607.20465（paper_cards/617，副分类 evaluation，HF Daily 7-28 40▲）——DataPrep-Bench：LLM 作为训练数据准备者的基准评测——"质量"指下游训练效用而非表面层级指标。

arXiv:2607.18825（paper_cards/522）——AILQA：已在 R26 覆盖，印度法律垂直 AI QA 评测，词法 + 语义 + 法学专家反馈三重评测。

arXiv:2607.18529（paper_cards/527）——EduPanel：已在 R26 覆盖，三 Agent LLM 评判框架（rubric-grounded + learner-conditioned + 汇聚）。

arXiv:2607.18934（paper_cards/528）——Transcription Policy：已在 R26 覆盖，ASR 评测 60% WER 归因于标注风格不匹配而非真实识别错误。

3. 多视角评价

3.1 工程视角（可落地性）

可立即落地：
PAJAMA（arXiv:2607.22561）——合成程序成本仅 $0.053，reward signal 蒸馏成本低 45-50×。对每天跑几千次评测的 LLM 榜单极具吸引力；CI/CD 中集成程序 judge 做自动评分；移动端或私有化部署场景无 GPU / API 依赖。
Warp Divergence（arXiv:2607.23402）——T(k) ≈ sk 模型可直接用于 AI 推理 kernel 性能预估（MoE 路由分支 / speculative decoding 分支 / dynamic batching 路径）。
可作为方法论参考：
InMind（arXiv:2607.24368）——配对控制设计（事实是否存 / 模型是否有桥接 / 检索是否召出）是任何自研评测系统的诊断范本；最小诊断探针是定位 routing 问题的最小工程单元。
PerceptionBench（arXiv:2607.24957）——bottom-up 错误归因是建立自评测系统的标准方法；10 维能力向量画像可迁移到任何多能力系统的选型。
落地门槛较高：PAJAMA 在数学证明 / 临床决策 / 创造性写作的程序表达能力上限未充分验证；InMind 规模 125 题偏小，对企业级 agent 记忆系统的评测迁移需自建扩展数据集。

3.2 研究视角（创新性）

方法论创新：
PAJAMA 把 judge 决策逻辑蒸馏为可执行代码——把 judge 校准从"trust prompt"推到"trust 程序化评判委员会"，与 Lilian Weng Harness Engineering 的"runtime → code 蒸馏"同构。
InMind 把"评测维度自身缺失"作为 benchmark 维度——从 SeedRG / FrontierMath v2 修正的"基准饱和 → 怀疑泄漏"演进到"评测维度从未覆盖过 → 怀疑评测本身"。
PerceptionBench bottom-up 错误归因——从"答对多少题"演进到"在哪一步开始看错图"，是评测方法论上从 outcome-only leaderboard 演进到行为/轨迹诊断的延续。
范式创新：从 score-only → trace-driven evaluation（R25）；从 judge 即 LLM → judge 即程序（PAJAMA R29）；从"基准饱和"反方 → "评测维度缺失"反方（InMind / PerceptionBench R29）；从"基准可信度"反方 → "基础设施可信度"反方（Warp Divergence R29）。
仍未充分解决的问题：PAJAMA 程序表达能力的理论上限；InMind 评测的"路由层"如何独立评测（路由 ≠ 检索 ≠ 存储）；PerceptionBench 10 个原子能力的粒度均衡性；评测维度缺失审计的方法论统一（InMind 配对控制 / PerceptionBench 错误归因树 / SeedRG leakage 量化 / SpecBench hacking_gap 尚未形成统一框架）。

3.3 批判视角（局限）

PAJAMA 的反方：蒸馏质量依赖初始 LLM judge——种子 LLM judge 有偏见则程序继承该偏见；领域迁移性未充分验证；程序表达能力上限未量化。
InMind 的反方：规模 125 题偏小（统计显著性可能受限）；领域局限（"日常生活"覆盖，未直接迁移到企业 / 工程 / 编程场景）；静态评测（一次写入 + 一次查询，未测长期演化）；桥接知识来源假设可能放大或缩小 14.4% 数字。
PerceptionBench 的反方：10 个原子能力粒度不均；"短答案"不考察多跳 / 序列感知；3,000 题对稳健能力剖面评估仍偏小；全部题目来自 42 个现有 benchmark 的失败改写，与原生分布可能有偏；诊断而非处方。
Warp Divergence 的反方：评测 warp divergence 串行化模型与重汇聚机制，不直接评测 AI 工作负载端到端性能；编译器是 NVIDIA 私有，无法直接对比 AMD / Intel GPU；不涉及 tensor core / 矩阵乘法等 AI 关键路径。
评测领域自身的"评测"严重不足：Rethinking Harness Evolution 揭示 harness evolution 评测协议的 matched budget loophole（R26）；SeedRG 揭示 RAG 评测的 leakage + aging（R26）；Systemic Measurement Bias 揭示 inference benchmark 的测量偏差（R26）；JRH 把 judge 校准从"trust 论文"推到"trust artifact"（R26）；InMind / PerceptionBench 把"评测维度自身缺失"推到台面（R29）——2026 H2 末的评测领域共识是"我们不知道评测本身是否覆盖了所有该测的维度"。
垂直评测的规模困境：InMind 125 题 vs T²-RAGBench 23,088 题 vs HealthBench 48K rubric criteria（⚠️ 数字来自 R26 综述）——评测规模差异 3 个数量级。
LLM-as-Judge 的可靠性反方：PAJAMA 本身是 LLM-as-judge 范式的反方——它把 judge 整个蒸馏为程序而非校准 judge。但 PAJAMA 在高维开放式评估场景下的能力上限未充分验证，是"judge 校准（JRH）"与"judge 替代（PAJAMA）"两条路线的边界争议。

4. 趋势判断与开放问题

4.1 三大趋势

趋势一：评测维度自身缺失审计成为新主轴。InMind 70pp 鸿沟 + PerceptionBench "无模型过 60% / 感知幻觉最弱 / 总分相近能力剖面差异巨大"三连结论 + PAJAMA "LLM-as-judge 三大缺陷"共同表明：2026 H2 末的评测反方已经从"基准饱和 / 泄漏 / 老化 / hacking"演进到"评测维度从未覆盖过 + judge 决策不透明"。这与 R26 SeedRG / SpecBench / JRH 形成"评测反方四元闭环"（基准饱和 → 怀疑泄漏 → 怀疑 hacking → 怀疑 judge → 怀疑维度缺失）。
趋势二：judge 从"LLM-as-judge"走向"code-as-judge"。PAJAMA 把 judge 决策逻辑蒸馏为程序委员会 + reward signal 蒸馏在 RewardBench CHAT-HARD 上超越 GPT-4 labels——这是 judge 范式的范式跃迁：R26 JRH 是"保留 LLM + 量化可靠性"，R29 PAJAMA 是"去掉 LLM + 把决策代码化"。两者方向相反但互补——前者适合高维开放式评估，后者适合可规则化、规模化、成本敏感场景。
趋势三：评测对象向底层基础设施延伸。Warp Divergence 把评测基础设施元层化从 LLM / Agent / RAG / 多模态 / 教育 / 金融 / 法律 / 医疗推到 GPU 微架构层——AI 系统端到端性能的可信评测需要从顶层 model snapshot 到底层 GPU 行为的一致性审计。这与向量数据库 ANN-Benchmarks 工业级实测（Salt Technologies R29）共同构成"评测基础设施的双层披露"。

4.2 开放问题

Q1: 评测维度自身缺失审计如何标准化？ InMind 配对控制 / PerceptionBench 错误归因树 / SeedRG leakage 量化 / SpecBench hacking_gap / Warp Divergence cycle-accurate microbenchmarks 尚未形成统一框架。
Q2: judge 校准（JRH）与 judge 替代（PAJAMA）的边界在哪？ JRH 适合高维开放式评估（教学视频质量 / 法律推理质量 / 创造性写作），PAJAMA 适合可规则化、规模化、成本敏感场景（榜单 / CI gate / RLHF reward）。
Q3: 评测路由层（InMind 揭示）的独立评测方法是什么？ InMind 最小诊断探针只是最小工程单元——如何独立评测 routing 决策（vs 检索 / 存储 / 理解）需要新的评测范式。
Q4: 评测维度向量（PerceptionBench 10 维）的工程化迁移如何实现？ 10 维能力向量画像从 MLLM 视觉感知迁移到任何多能力系统的选型——如何标准化"能力向量维度定义 + 跨系统可比性"。
Q5: 评测基础设施双层披露（GPU 微架构 + 向量数据库 + LLM 推理 + Agent harness）的互操作性如何？ Warp Divergence + Salt Tech 向量 DB + Systemic Measurement Bias + AgentCompass 三件共同构成基础设施层披露，但跨基础设施的端到端一致性评测仍未解决。

4.3 风险与边界

数字风险：PAJAMA "评判一致性 +15.83% / 偏见响应 -23.7% / RewardBench Prometheus +2.19% / +8.67%" 来自 Emergent Mind 综述，原文 PDF 未独立核验；合成程序成本 $0.053 / reward model 训练成本低 45-50× 来自 Sprocket Lab 官方页面，与原文 PDF 数字一致性需独立核验。
方法论风险：PAJAMA 程序表达能力的理论上限未量化；InMind 125 题规模偏小可能限制统计显著性；PerceptionBench 10 个原子能力粒度不均（OCR vs 细粒度识别难度量级不同）。
覆盖风险：本综述精选 8 篇 + 4 篇补充 paper_card 详读，未覆盖 70 篇主分类 evaluation 论文卡中的其他 62 篇；活文档 R29 提到的十六重范式跃迁 + 35 维评测对象未在本综述中详尽展开，详见 7-21 / 7-24 evaluation 综述姊妹篇。

5. 总结

2026 H2 末 evaluation 主题在 R26"评测基础设施 + 评测反方 + 垂直评测规模化"三轨基础上，新增第四条主轨：评测维度自身缺失审计。本期 4 条增量（PAJAMA / InMind / PerceptionBench / Warp Divergence）合流形成 2026 H2 末"评测 = 程序化 + 维度化 + 基础设施化"的范式跃迁：

PAJAMA 把 LLM-as-judge 蒸馏为程序化评判委员会——judge 从"trust LLM"走向"trust code"。
InMind 把"评测维度从未覆盖过"作为 benchmark 维度——评测反方从"基准饱和"走向"维度缺失"。
PerceptionBench 把"原子感知缺失"作为多模态评测的反方——MLLM 评测从"答对多少题"走向"在哪一步开始看错图"。
Warp Divergence 把评测基础设施元层化延伸到 GPU 微架构层——AI 系统端到端可信评测需要从顶层 model snapshot 到底层 GPU 行为的一致性审计。

八篇主力论文覆盖了 judge 工程（2607.22561 / 2607.18529）、评测维度缺失审计（2607.24368 / 2607.24957）、评测基础设施底层（2607.23402）、垂直领域延续（2607.22345 / 2607.20465 / 2607.18825）、跨域 oracle 消解（2607.18934）——共同刻画 2026 H2 末"评测 = 程序化 + 维度化 + 基础设施化"这一范式跃迁。

下一个 6-12 个月的评测领域，将围绕"评测维度缺失审计标准化 / judge 校准 vs 替代边界 / 路由层独立评测 / 能力向量工程化迁移 / 评测基础设施双层互操作性"五大开放问题展开。