在人工智能快速发展的今天，我们训练的语言模型变得越来越强大，但用来评估这些模型的工具却往往跟不上步伐。就像开着超跑却用着老式的计时器一样，这种不匹配严重拖累了整个研究进展。最近，来自Reactive AI公司的研究员Adam Filipek发表了一项突破性研究，这项研究于2025年10月发表在arXiv预印本平台（论文编号：arXiv:2510.05485v1），它彻底解决了一个困扰研究者多年的技 ...