Benchmark

能把模型、数据、提示、评分与预算写成明确的协议对象，并解释指纹能证明什么。；能识别开发集和报告集之间的显式重叠，区分ID检查与污染检测。

能根据目标分布选择micro或macro，并从逐题记录还原分母。；能推导并计算Wilson比例区间，解释适用假设与边界情形。

能定义并解释文本规范化规则，区分字节相同、规范化相同与语义相同。；能手算n-gram Jaccard并说明阈值的误报和漏报来源。

能从对数似然构造选择题预测，解释长度归一化可能改变排序。；能计算不同选项数量下的均匀随机基线，并说清基线调整的局限。

能为数值答案定义明确的等价与未解析状态，避免用任意文本清洗代替判定。；能推导HumanEval常用pass@k估计，并区分样本池组合概率与单次成功率。

区分感知、推理和交互；固定多模态预处理

构造包含有效运行、目标和回归的验收判据；区分终态整题分与条件满足分

分开评估检索与回答；手算检索指标

还原成对顺序交换中的身份并报告解析覆盖率；从混淆矩阵计算人工一致率与kappa

定义系统负载与计时边界；比较质量约束下的吞吐

审计正常效用、安全效用与ASR的不同分母；区分模型行为、运行时校验和宿主权限隔离