审计7款LLM评测工具：13处打分与实际检查不符

2026年10月6日，AGI Hunt 报道称，一名作者用一个月时间阅读了 7 款常用于评估 Claude Code skill 与 LLM 应用的评测工具的打分源码，包括 agent-skills 仓库的 eval harness、NVIDIA SkillEvaluator，以及 MLflow、LangSmith、DSPy、DeepEval、Harbor。审计结果显示，共有 13 处分数或通过判定并不被这些工具的实际检查所支撑，报道称每处都可复现，并附有复现步骤。目前公开的信息仅限于对上述 7 款工具、13 处问题的审计结论；报道未提及相关工具方是否回应，也未说明是否已有修复或后续核查安排。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。