真实输入会持续变化，运行记录能够帮助发现新的任务类型。这次讨论围绕模型评测的任务代表性，放在企业AI与数据应用的范围内，先保留能核对的线索，再判断它们能支持多大的结论。
准备阶段先留哪些信息
真实输入会持续变化，运行记录能够帮助发现新的任务类型。评测样本需要覆盖实际任务中的输入、难度和约束，公开榜单不能直接替代本地使用评估。在开始前，列明对象、任务和需要达到的结果，再确定要查看哪些说明与记录。
进行过程中按什么顺序看
区分用户感受与可核对结果，把新增问题带回评估过程。先列出业务中高频和高风险问题，再分别观察准确性、完整性与执行成本。每项检查最好对应一个具体问题，例如条件是否成立、变化发生在哪一步，以及怎样确认结果。
收尾时留下什么
样本太少或只挑选容易成功的案例，会放大对系统能力的判断。将已经完成、仍有疑问和需要后续处理的事项分别保存。围绕企业AI与数据应用形成的记录，应能让下次阅读直接找到对应背景。
清单怎样随使用调整
关于模型评测的任务代表性的清单可以从少量关键项目开始。经历日常使用后，再删除重复项、补上实际遗漏，并注明调整理由。项目数量不是目的，能够帮助下一次准确完成核对才有价值。
常见问题
理解模型评测的任务代表性，先确认什么？
评测样本需要覆盖实际任务中的输入、难度和约束，公开榜单不能直接替代本地使用评估。
在日常使用时怎样开始？
区分用户感受与可核对结果，把新增问题带回评估过程。先列出业务中高频和高风险问题，再分别观察准确性、完整性与执行成本。
什么情况下不宜直接套用结论？
样本太少或只挑选容易成功的案例，会放大对系统能力的判断。