总结AI基准测试中7种常见评估错误模式

这些不是孤立的错误。在8个基准测试中，我们看到了相同的7种模式重复出现：

1. Agent与评估器之间没有隔离
2. 答案随测试一起提供
3. 对不可信输入使用eval()
4. LLM评判易受提示注入攻击
5. 弱字符串匹配
6. 从未真正评估的评估逻辑
7. 信任来自不可信代码的输出