基准测试
Benchmark
学到 认得 就够：听到能明白
你可能会说
“排行榜第一就最适合我吗？”
基准测试用一组规定任务、资料和评分协议比较系统。它提供可重复的共同参照，但只覆盖被设计进来的能力；公开排行榜的名次不能代替你实际任务上的检验。
使用 AI
科研里的例子
模型英文常识基准很高，不代表能准确解释县级政策条款；需要另测中文公文、日期引用和限定条件。
一个基准不仅是题目集合，还涉及示例设置、工具权限、运行预算、版本和计分方法。若不同系统条件不一致，分数比较可能失去意义。基准还会因公开、反复优化或题目被见过而逐渐失去区分能力。社科研究者应追问基准题型与本任务的距离：语言、文体、领域、证据要求是否相近，并用自己的独立样本补测，避免把单项考试概括成所有科研能力。
在你的学科里，直接拿去用
把论点与证据逐条对齐
请审核下列论证的证据对应关系。 论证：[粘贴] 允许使用的材料：[清单与原文] 拆成可独立检查的主张，按“主张—来源位置—研究对象与设计—能支持什么—不能支持什么—所需补证”输出。区分相关、机制解释、因果识别和价值判断。找不到依据的格子保留未支持，不补假文献。若需联网补证，先说明搜索范围和访问状态，再把新找到的证据与原材料分列。方括号里的内容换成你自己的。来自知识增量《科研中英表达与 Prompt 指南》PG07
判断
亲手检查一次
挑一份模型报告，列出三个高分基准的实际题型与评分方式，再逐项说明它们与自己的研究工作哪里相同、哪里不同。
它做不到的
基准是测量工具，有覆盖边界与历史条件；不同版本、预算或评判模型产生的分数，不宜直接并入同一排序。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。