如何编写和运行你自己的 LLM 基准测试

编写专属 LLM 基准测试的核心是将评测架构（Harness）与测试内容（Tests）分离，并尽可能使用确定性程序验证而非 LLM 裁判。该方案通过目录化管理测试用例、支持部分重新运行及利用 API 缓存，帮助开发者以更低成本追踪模型在具体业务场景下的表现。