小结

第七部分一开始像是在讨论外部打分，读下去才发现，分数会反过来改写系统：基准改变训练激励，统计检验决定差异是否足以相信，评分规程塑造人类标签，模型评判者带来自己的偏差，事实性评测拆开 claim 与证据，智能体评测必须检查任务后的世界，运营评测则决定一次发布能不能继续。

测量很容易在不知不觉中失真：数据会泄漏，任务会饱和，样本可能不足，评判者会被利用，基准也可能转去测运行框架而不是模型本身。因此，一个数字在挡发布、驱动训练或改变产品决策之前，必须先说明自己的权威等级。

读者读完应当保留怀疑，但不必走向犬儒。坏评测容易嘲笑，有用评测却是很难的工程。仍未解决的问题，是怎样在仪器饱和或变成优化目标之前，可靠测量长程任务、职场生产率和智能体副作用。第八部分接着问：一旦系统要被约束，什么证据足够支撑安全主张，谁有权限施加约束，这些约束又在哪里真正执行。