评测集建设

不是一个评测集，是三个，跑的频率和拦截权限都不同：

判据：能进门禁集的，必须是「错了就该拦住发布」的用例。 把「锦上添花」的题放进门禁，结果一定是门禁天天红、所有人学会无视它——一个从不亮绿灯的门禁等于没有门禁。

1. 线上真实失败（最贵、最值钱）。每一条都是花了真实代价换来的。
2. 线上真实成功流量的分层抽样。它保证的不是难度，是分布——开篇故障缺的就是这一类。
3. 领域专家写的边界样例。覆盖罕见但后果严重的情况：越权、敏感、法规、极端数值。
4. 模型批量扩写。最便宜。

铁律：第 4 类只能用来扩写，不能用来打底。 用模型生成的题去测模型，你测到的是「两个模型共同认为重要的部分」。真正会翻车的地方，恰恰是两个模型有共同盲区的地方——而合成数据在那里是空白的。所以听到「我们评测集有 5000 条」，第一句该问的是「谁标的」。