开发者 chiziaruhoma：别把 eval 当单元测试，分数每次跑都会变，单独的 85% 无意义

开发者 chiziaruhoma 指出，不应把 AI 评测（eval）当成非过即败的单元测试，eval 每次跑出的分数都会波动，所以单独一个「85%」没有意义。关键要说明是多少次运行、哪些 prompt、哪种模型设置下得出的。这一观点提醒做 agent/模型评测的工程师关注评测的统计性质，而非套用传统测试思维。