AI 模型评测指评估大模型能力的技术体系：基准测试、排行榜与应用级评估，为模型选型与优化提供依据，代表如 OpenCompass、Humanloop 等。
AI Glossary
AI 模型评测指评估大模型能力的技术体系：基准测试、排行榜与应用级评估，为模型选型与优化提供依据。它把「模型能力」变成可衡量指标。
基准测试：标准化能力测试。
排行榜：模型的性能对比。
应用评估：场景中的表现。
提示词评测：效果的调优评估。
OpenCompass：开源评测体系。
Humanloop：应用评测平台。
各类评测基准。
模型选型：模型的对比选择。
能力评估：模型性能衡量。
应用优化：应用质量的改进。
研究参考：评测基准研究。
一是「依据」：选型有据可依。
二是「对比」：模型横向比较。
三是「优化」：评估驱动改进。
一是「基准偏差」：测试与实际差距。
二是「更新」：基准的时效性。
三是「成本」：评测的算力投入。
四是「过拟合」：刷榜问题。
多维度评测：多基准综合。
场景结合：结合业务场景。
持续监控：上线后的评估。
审慎解读：结合任务判断。
AI 模型评测让模型能力可衡量：基准与排行榜，选型有据。理解它的价值（依据与对比）与边界（偏差与时效），才能用好：多维评测、场景结合。对开发与选型团队，评测是决策基础，正确姿势是「综合评测、审慎解读」。
