攒攒人品！有面试过同岗的朋友欢迎评论区交流1. 在LM-as-Judge评测中，如何设计实验验证评测模型的打分偏差，并消除其对最终结果的系统性影响？2. 多模型交叉评测时，若出现明显的打分分布偏移，如何量化偏移程度并设计校准策略？3. 针对Data Agent的数值计算与逻辑推理场景，如何设计细粒度评测维度，避免只以最终结果论对错？4. 如何构建高难度的对抗评测样本，以有效暴露Agent在工具调用、参数传递中的隐蔽缺陷？5. 如何评估评测 pipeline 本身的可靠性？如何证明你的评测结果是可复现、可置信的？6. 在长链路多步推理场景下，如何设计评测机制，区分中间步骤错误与最终生成错误？7. 面对人工评测与自动化评测结果严重冲突时，如何设计决策机制与置信度评估方案？8. 如何在不显著增加调用成本的前提下，提升LM-as-Judge对细微错误、逻辑漏洞的检测能力？9. 模型迭代后如何设计回归评测体系，精准定位能力退化点并归因到具体训练或结构改动？10. 多Agent协同任务中，如何设计评测指标区分单Agent能力问题与交互调度逻辑问题？手撕：现有列表 A，B、C 均调用 A，B 执行出错导致 C 连带错误，从评测与测试角度该如何定位根因？