● 面向智能导购的 Agent 评测实践

📌 一句话摘要 本文提出一套面向家居导购 Agent 的自动化评估链路，基于结构化多维度 Benchmark 和 LLM-as-a-judge 实现 91.9% 准确率的自动评分，并量化对比发现 gpt51 最优，较线上模型 qwen3-vl 提升 16.4%。 📝 详细摘要 本文来自大淘宝技术

● ICLR 2026 | 大模型当裁判也「翻车」？北大清华联合多校提出 TrustJudge，让 LLM 评估更值得信赖

📌 一句话摘要 北大清华等高校提出 TrustJudge 框架，通过利用 LLM 内部概率分布和似然感知聚合，显著降低了「大模型作为裁判」时的评分不一致性和传递性矛盾。 📝 详细摘要 本文介绍了由北京大学、清华大学等机构联合提出的 TrustJudge 评估框架，旨在解决大模型作为裁判（LLM-

● AI 智能体实践评估：基准、框架与经验总结

📌 一句话摘要 本文系统介绍了 AI 智能体从原型到生产环境的评估框架，提出了五大核心评估支柱，并提供了基于 Claude 和 LangChain 的自动化评估实践示例。 📝 详细摘要 文章针对 AI 智能体（Agent）在生产环境中表现不稳定的痛点，提出了一套超越传统 NLP 指标的评估体系。

● 如何定义“人味儿”？——HeartBench 评测体系建设实践

📌 一句话摘要 文章系统复盘 HeartBench 从 0 到 1 的构建过程，提出了一套可迁移的 AI 拟人化评测方法论与人机协作流程。 📝 详细摘要 本文围绕「如何科学定义并评测 AI 的人味儿」展开，给出了 HeartBench 的完整设计与落地路径。内容不仅介绍了数据规模、能力维度、Ru