模型 A 比 B 高了两分，意味着什么？题目、提示、评分规则和统计方式，都可能改变这个分数的含义。

我把这些问题整理成了一份 20 章的模型评测教程，从一道题的判分开始，逐步讨论数据与协议、评分器、模型裁判、配对比较，以及可复算的评测报告。

正文配有 5 个交互实验和 Python 示例，支持中英文切换。所有示例数据均为教学构造，不是模型实测成绩。

阅读全文：模型评测完整教程 →

也可以下载完整离线包，保存双语页面、代码与教学数据。