2026年7月23日评测不是打榜：怎样用真实 Session 找到最便宜够用的模型系统讲解 LLM 评测和模型路由的工程原理：如何把真实 session 做成 eval case，用 rubric、LLM judge、校准集和成本表找出每类任务的最低可用模型。AILLMAI InfraEvalModel Routing成本优化
2026年7月23日RouteLLM 深度解读：把模型选择变成成本-质量路由问题从工程视角拆解 RouteLLM：它如何用偏好数据学习强弱模型路由，matrix factorization router、阈值、CPT/APGR 指标分别是什么意思，以及怎样接到真实 session eval 系统里。AILLMAI InfraEvalModel RoutingRouteLLM成本优化论文解读
2026年7月10日Agent 做长任务为什么会崩：从时间跨度到失败归因消化 Voyager、METR long tasks、TheAgentCompany、SWE-Bench Pro、Odysseys、WildClawBench 和 HORIZON：长任务能力为什么不能只看成功率。AILLMAgentEval长任务论文学习
2026年7月8日AgentBench 学习笔记：评测 Agent，不能只看它怎么回答消化 AgentBench 论文：为什么 LLM Agent 需要交互环境评测，AgentBench 如何用 8 类环境测试长期推理、决策和指令遵循，以及它对 Agent eval 的启发。AILLMAgentEval论文学习
2026年7月8日HELM 学习笔记：模型评测不是跑榜，而是建立一张能力地图消化 HELM 论文：为什么 LLM 评测不能只看单一排行榜，HELM 如何用场景、指标和透明产物重构模型评测，以及工程团队应该如何借鉴。AILLMEvalAI Infra论文学习
2026年7月8日IFEval 学习笔记：别只问模型聪不聪明，先测它是否真的听话消化 IFEval 论文：为什么指令遵循需要可验证评测，IFEval 如何用 25 类可检查约束构造约 500 条样本，以及它对 prompt 和模型发布门禁的启发。AILLMEvalInstruction Following论文学习
2026年7月8日LLM-as-a-Judge 学习笔记：让模型当裁判，到底靠不靠谱消化 MT-Bench 与 Chatbot Arena 论文：为什么开放式回答难以自动评测，LLM-as-a-Judge 如何近似人类偏好，以及 position、verbosity、self-enhancement 等偏差该如何处理。AILLMEvalLLM-as-a-Judge论文学习
2026年7月8日SWE-bench 学习笔记：代码模型评测，终于从刷题走向真实修 Bug消化 SWE-bench 论文：为什么传统代码生成评测不足以衡量软件工程能力，SWE-bench 如何用真实 GitHub issue、仓库上下文和测试执行构造可执行评测。AILLMEvalCode AgentSWE-bench论文学习