开源模型评测
这个系列不把不同口径下的单项分数拼成“总榜单”。它从训练数据、基准与 Agent 评测基础设施出发，逐步建立一套可复核的评测口径：先写清模型版本、任务定义、输入设置、推理环境和成本边界，再讨论结果意味着什么。
评测关注什么
- 能力与任务：看具体任务、样本范围、提示词与评分方式，而不是只看一个总分。
- 推理与成本：在相同硬件、服务框架、并发和上下文条件下，比较速度、稳定性与单位成本。
- 选型边界：说明结论适用的模型版本、场景与约束，也明确哪些情况下不能直接外推。
系列目录
首批 7 篇文章按“数据与基准、评测基础设施、Agent 评测流程与对象”归档；后续再补充同条件推理、成本与部署边界的横向比较。
1. AI时代的高质量数据集
2. Harbor 介绍：面向 Agent 评测的基础设施
3. 评测Agent的流程分析
4. AI Agent 时代，为什么评测比模型本身更重要？
5. 模型能力评测：从 LLM Eval 到 Agent Eval
6. 从零搭一个 Agent Eval Harness：Task、Environment、Trial、Trajectory 与 Grader
7. Agent Eval 的核心对象：Task、Environment、Trajectory 与 Grader