裴蜀定理与可达性判定：从跳跃问题看数论建模本质
2026/11/3 8:22:09
目录
1. 标准化基准评测（基础能力摸底）
2. LLM-as-Judge（大模型判分，当前最火自动评估方案）
3. 红队测试 Red Teaming（安全 & 对齐，企业刚需）
4. 幻觉 & 事实性评测（RAG 场景高频）
5. Agent / 工具调用专项测试（2025–2026 增长最快）
6. 性能 & 推理压测（后端 / 运维侧，你做压测会用到）
7. 模糊测试 LLM Fuzzing（鲁棒性测试，新兴热门）
8. 行为漂移监控（线上持续测试，生产环境必备）
9. RAG 系统全链路专项测试（不是只测 LLM）
10. 人类偏好评估（黄金标准）
工程落地优先级（给你做测试体系参考）
配套热门工具清单
大模型热门测试技术（产业落地主流，偏 QA / 测试工程视角）
整体分为：能力基准评测、LLM-as-Judge 自动评估、红队 / 安全对抗测试、幻觉 & 事实性测试、RAG/Agent 专项测试、性能压测、行为漂移监控、模糊测试 (Fuzz)、人类偏好评估，也是现在企业落地最多的方向。
1. 标准化基准评测（基础能力摸底）
用来横向对比模型基础能力，适合选型、版本回归。
- 经典文本：MMLU-Pro、GSM8K、HumanEval、SWE-bench、TruthfulQA、IFEval、MT-Bench、BIG-Bench Hard
- 多模态：MMMU-Pro、HEIM
- 工具：
lm-eval-harness（EleutherAI，开源标杆）、HELM（斯坦福，综合评估） - 局限：容易被刷榜、数据集泄露，不能单独当成上线验收标准