从调用意图、模型选择和评测方法了解不同研究主题。
先按实际任务区分摘要、抽取、分类、代码生成,再设计测试输入。
用同一批输入比较不同模型,记录超时、错误和输出差异。
为每条样本写出验收条件,再根据达标比例看模型是否适合业务。
逐轮检查新约束是否覆盖了先前要求,以及答案是否仍满足最后一次请求。
分别检查关键文字、图像细节和输出格式,避免把格式正确当成内容正确。