#评测框架

医患问答光看幻觉率不够，这篇用六类风险语言给六个 7-9B 模型打分，发现医疗微调只是换了个风险方向，评测代码也开源了。

七个模型在模拟科学探究任务里集体翻车，成功率低得离谱，但加个简单引导结构就明显变强，搞 agent 评测的可以看看。

DeepSeek-OCR这类压缩方法旧评测没测准，ZeroSense基准去掉语义干扰后，压缩质量和下游准确率明显脱节。