关于

我关注 AI Evals、Benchmark 的研究与构建、论文阅读、评测集设计，以及 Agent 实验。这里既记录可以复现的研究过程，也留下工作与生活中促使我重新思考的问题。

此前，我在字节跳动参与过 Seed 模型评测相关工作。这段经历让我更在意一个看似简单、但常被忽略的问题：模型到底在哪些条件下失败，而评测是否真的捕捉到了这些失败。

我的工作方式通常从观察开始：观察现象，提出假设，设计实验，再分析结果。这个循环并不保证立刻得到答案，却能让判断保留可追溯的依据；它也适用于读论文、设计评测集和调试 Agent。

我拥有硕士学历。目前持续学习并实践 AI 系统评测与可靠性研究，希望把零散的经验整理为清晰、诚实且有用的笔记。