從零到排行榜：代理評估 — Wolfram Ravenwolf，Weights & Biases

Wolfram Ravenwolf 是 CoreWeave 與 Weights & Biases 的 AI 推廣者，他主張單一分數的基準測試幾乎沒有參考價值，因為模型效能是一個分佈，而不是一個點；而且只要控制六個可替換的層級，並公開每個數字背後的原始軌跡，任何人都能建立更可信的評測。本集是在 AI Engineer 大會發表的代理評測方法論實作工作坊，重點多半在於*如何*建構可複現的基準測試，而非某個特定的排行榜結果。標題的「從零到排行榜」說得沒錯，但低估了重點：這 52 分鐘大部分時間都花在那些會默默讓比較失效的設定變數，以及如何閱讀軌跡來解釋出乎意料的分數。

Ravenwolf 的核心主