测试数据
集中管理测试输入、参考答案和题集版本，为模型比较和版本回归保留统一标准。
每一次评测，都有结果可查。
01 / 04
同一组问题，逐条比较模型表现。
固定题集与评分标准，对比不同模型或提示词版本。既能查看整体评分，也能展开同一道题的原始回答。
- 题集与提示词版本可追溯
- 原始回答与评分并排查看
- 耗时与 Token 用量同步记录
查看评分，
也能追溯原始回答。
规则评分
按明确标准检查分类结果、必要字段和输出格式。
模型裁判
使用评分提示词评价开放式回答，保留评分与判断理由。
人工审核
通过评分指标和审核队列，处理业务判断与评分分歧。
从评测结果追溯输入、输出与已上报的执行步骤。
服务模型选型，应用验收与版本回归。
模型选型
用业务题集，比较候选模型。
在相同测试条件下运行候选模型，结合回答质量、响应耗时和用量记录，确定适合当前任务的模型服务。
应用验收
智能体上线前，完成任务验证。
接入已发布的应用 API，映射测试输入，检查预期回答、执行失败与边界问题，为业务验收准备逐条记录。
版本回归
更新之后，核对实际变化。
保留基线实验，在模型、提示词或应用版本调整后运行固定题集，检查改进效果和原有能力的变化。
当前案例：用业务题集，比较候选模型。