英文：Human Evaluation 分类：eval
由人工判断模型输出质量。
评测需注意：避免数据污染（训练集混入测试集）、采用多维度指标（准确率+鲁棒性+安全性）、小样本多次测试取平均。大模型评测通常采用LLM-as-Judge方法，但需校准判官偏差。
NLP评测从早期的SQuAD、GLUE，发展到大模型时代的MMLU、GSM8K、HumanEval；中文评测有C-Eval、CMMLU、SuperCLUE。排行榜则以HuggingFace Open LLM Leaderboard为代表。
企业内部评测通常包含：通用能力基准、业务专项集（如客服准确率）、红队安全测试与人工抽样。评测报告需附数据版本、模型版本与置信区间。