Evaluating（评估）是人工智能领域衡量模型与系统能力水平的核心环节，涵盖基准测试、任务指标设计、安全评测等，其结果直接影响模型迭代方向与产业应用决策。随着大模型从单一问答走向智能体、多模态与具身场景，评估对象和方法的复杂度都在快速上升，评估本身正在成为一门独立的工程与研究方向。
Evaluating 近期进展
智能体能力的评估方法成为近期热点。NVIDIA Nemotron Labs 通过专家直播讲解了如何评估智能体技能，反映产业界正在把原本面向模型的评测体系向任务执行、工具调用等多维能力扩展（NVIDIA Nemotron Labs 专家直播：如何评估智能体技能）。
arXiv 上的新研究持续细化评估维度。EpiSEM-Bench 聚焦证据缺失情境下 LLM 智能体的安全性与证据恢复能力评估；DialogMem 则评估对话驱动的具身记忆在 3D 环境中的表现；还有研究检验上下文压缩（context compaction）对后续问答质量的影响，以及审视视觉语言模型（VLM）token 剪枝的评估方式是否合理——这些工作共同指向一个趋势：单靠准确率或 token 数已不足以刻画真实效果（EpiSEM-Bench、DialogMem、Evaluating Context Compaction on the Questions That Come Later、Are We Evaluating VLM Token Pruning Right?）。
评估也在用于检验模型的