AI 评测构建：凭直觉动手搭好后跑出迹象，模型行为却完全反直觉

一位作者分享做 eval 的日常：自己凭直觉判断某个评测值得做，动手搭建后评测确实跑出了迹象，但模型的行为却与预期完全相反。这反映出评测构建中模型行为难以预测的现实。