#Evaluation

結合 BrowseComp 案例，區分 Benchmark Contamination 與 Eval Awareness，理解開放網絡、代碼執行和多 Agent 搜索怎樣影響答案來源，再分析執行軌跡、評估邊界與成績解釋。

理解 Agent 評估中的基礎設施噪聲：區分代碼錯誤、環境故障與資源約束，分析 CPU、內存和時間預算怎樣影響執行，再用對照實驗與完整報告解釋分數差異。

從性能工程測驗的迭代案例理解評估設計：怎樣確定能力目標、識別測試飽和，區分難度與新穎性，並在真實任務、有效區分和完成成本之間取捨。

理解 Trace 與 Span 怎樣記錄工作流，區分結果評分和行為評分，再圍繞工具、交接、Guardrail 與反饋恢復建立證據標準，用批量評估比較不同版本。

從 Task、Trial、Transcript 與 Outcome 理解一次 Agent 評估，梳理 Grader 的選擇與組合、pass@k 與 pass^k 的區別，以及能力評估、迴歸評估和評估集的持續維護。