AI Evaluation
AI 評測
AI 評測是一套可以重複進行的測試方法。它會使用明確的任務、測試資料、評分規則和安全門檻。
另一個例子
團隊用 300 筆留有版本紀錄的客服案例，以及人工核准的答案測試候選模型。他們評量品質、安全、延遲和拒答表現；只有吸睛的展示，不算完整評測。
主要部分
- 01版本化資料集
- 02評分規準
- 03發布門檻
什麼時候用
依照清楚規則比較模型、提示、檢索變更或發布版本時，可以使用這個詞。
什麼時候不要用
不要把評測縮成一個總分，也不要只用幾個沒有版本紀錄的零散提示。
程式裡的名稱
dataset × rubric × evaluator × threshold 上線前要檢查
檢查模型與提示詞版本、參考資料、有版本編號的評估集與指標。驗證答案能否連回來源證據，也要檢查工具權限與隱私。再檢查常見失敗、拒答、安全退路與人工覆核。也要檢查監控、成本、速度與回復方式。
預期成果：使用或評估 AI 評測 (AI Evaluation)，讓 AI 行為可以衡量，也能連回證據。 使用者情境：團隊用 300 筆留有版本紀錄的客服案例，以及人工核准的答案測試候選模型。他們評量品質、安全、延遲和拒答表現；只有吸睛的展示，不算完整評測。 AI 方法或概念：AI 評測 (AI Evaluation)。 適用理由：依照清楚規則比較模型、提示、檢索變更或發布版本時，可以使用這個詞。 不應使用的情況：不要把評測縮成一個總分，也不要只用幾個沒有版本紀錄的零散提示。 AI 要求：定義輸入與參考證據。設定模型和工具權限。使用有版本編號的評估資料與指標。說明失敗、拒答、隱私、速度與成本限制。 營運防護：保留可查詢記錄，並隱藏其中的敏感資料。提供使用者看得懂的安全退路。標出必須由人員覆核的步驟，並定義模型或提示詞的回復方式。 驗收條件：在有版本編號的評估集上記錄目前基準與目標。測試邊界案例與惡意輸入。驗證安全退路、監控、權限與回復方式。 證據與限制（證據邊界）：它只代表該來源的官方說法。其他平台或團隊可能有不同用法。 待確認：目標任務、模型與版本、評估負責人、參考資料、風險門檻、工具權限，以及正式環境的安全退路。
檢查這份需求
請 AI 程式助手檢查目前如何使用 AI 評測 (AI Evaluation)。 定義：AI 評測是一套可以重複進行的測試方法。它會使用明確的任務、測試資料、評分規則和安全門檻。 正式環境檢查：檢查模型與提示詞版本、參考資料、有版本編號的評估集與指標。驗證答案能否連回來源證據，也要檢查工具權限與隱私。再檢查常見失敗、拒答、安全退路與人工覆核。也要檢查監控、成本、速度與回復方式。 修改程式前，先列出看到的證據、缺口、嚴重程度，以及最小且安全的修正。