评测的经济学与可信性——路由、能耗、仪器错误、能力形成与技能演化五篇精读
当 Agent 评测从单一 accuracy 走向质量、成本、能耗与可信的多维权衡，我们究竟在测什么？本篇精读五篇研究：Route Anything 构建全模态路由矩阵，逐输入 oracle 比最佳固定候选高 5.4 分、路由平均提效 8.82 倍；Joules-to-GDP 提出每焦耳净价值指标，省能模型以 23% 能耗产出 56% 经济价值；Silent Instrument Errors 审计排行榜四类静默仪器错误；Artifact-to-Capability 给出能力形成断裂反例；Skills Evolve 用 84,200 个技能的 commit 史揭示验证组件被忽视。