新评测套路？给 LLM 一条 trace 让 judge 打 1-100 分

X 用户 stochasticchasm 讽刺当前评测生态：所谓「新 eval」不过是把一条模型轨迹丢给 LLM judge，让它给打个 1-100 分。这折射出 agent 评测普遍依赖主观 LLM 打分、缺乏严谨标准的风气。