数据与评测面试指南
怎样构造 hard negative，避免只提高简单样本分数？
原题Benchmark 已被广泛训练，继续使用它还有什么价值？
原题线上反馈只有点赞 / 点踩，怎样处理选择偏差和延迟反馈？
原题如何对一次 prompt 更新做回归测试与故障定位？
原题多轮 Agent 的失败该归因给模型、工具、检索、Harness 还是环境？
原题指标涨了但用户价值不变，如何检查代理指标是否失真？
原题如何设计一个会随着系统迭代而不过时的评测集？
原题高风险任务中，平均分和最差切片哪个更重要？为什么？
原题
暂无题目