#Evaluation

结合 BrowseComp 案例，区分 Benchmark Contamination 与 Eval Awareness，理解开放网络、代码执行和多 Agent 搜索怎样影响答案来源，再分析执行轨迹、评估边界与成绩解释。

理解 Agent 评估中的基础设施噪声：区分代码错误、环境故障与资源约束，分析 CPU、内存和时间预算怎样影响执行，再用对照实验与完整报告解释分数差异。

从性能工程测验的迭代案例理解评估设计：怎样确定能力目标、识别测试饱和，区分难度与新颖性，并在真实任务、有效区分和完成成本之间取舍。

理解 Trace 与 Span 怎样记录工作流，区分结果评分和行为评分，再围绕工具、交接、Guardrail 与反馈恢复建立证据标准，用批量评估比较不同版本。

从 Task、Trial、Transcript 与 Outcome 理解一次 Agent 评估，梳理 Grader 的选择与组合、pass@k 与 pass^k 的区别，以及能力评估、回归评估和评估集的持续维护。