Evaluation Set（评测集）

一组能代表真实任务的输入、标准答案或评分规则，用来比较模型和发现回归。

评测集是从目标任务分布抽样并经过版本管理的测试集合，可结合确定性评分、模型评分和人工评分衡量质量、风险、成本与延迟。

先定义能力和失败分类，再收集正常、边界与对抗样本；固定运行配置，计算指标并保留失败案例供版本比较。

训练数据、调参集和最终测试集必须隔离；评测应覆盖真实流量分布、高风险长尾和产品完整链路。