先审尺子，再量模型：智能体评测为何会失真
从 SWE-Bench Pro 坏题审计出发，拆解题面、测试覆盖、数据污染、任务分布和运行环境如何扭曲编码智能体评测。
TOPIC SIGNAL INDEX
#AI评测
3 份相关观测记录，来自周报、专题与日报的统一主题索引。
从用例执行到评测系统：AI 时代的质量工程
概率性输出与可执行智能体改变了软件验收方式；质量团队需要建设风险分层、持续评测、权限边界和生产反馈闭环。
长程智能体为何跑偏：Planner–Generator–Evaluator 架构解析
基于 Anthropic 的长程应用实验，分析任务分解、外部状态、独立评估、恢复机制及多小时运行的成本与适用边界。