分层抽样示例
分层抽样示例
场景A 高频（占比 60%）→ 抽 120 条
场景B 中频（占比 30%）→ 抽 60 条
场景C 低频高风险（占比 3%）→ 保底 20 条
其余长尾 → 抽 20 条
合计 220 条；需要模拟线上整体时按占比加权计算| 保底 | 高风险低频场景必须保底，不能被随机抽样淹没 |
|---|---|
| 加权 | 需要还原线上表现时按占比加权 |
| 记录 | 分层口径写进评测集说明，换人重建可复现 |
本包目录（290 条）
提示词基础40 条模式与框架50 条任务型写法50 条
评估与迭代50 条
- 先定成功标准再改提示
- 金标测试集构建
- LLM 评审（LLM-as-a-judge）基本写法
- 摘要自动指标 ROUGE 与局限
- 精确率、召回率与 F1
- 成对比较评估（A/B 判别）
- 准确率与其陷阱（类别不均衡）
- 回归测试集与用例管理
- 测试样本的切片标签
- 结构化输出的可解析率
- A/B 对比实验设计
- 保留集与提示过拟合
- 抽取任务的字段级评估
- 评测样本量的波动直觉
- 混淆矩阵与错误模式分析
- 评分表（rubric）式评审
- 采样随机性与可复现记录
- 摘要的人工评估维度
- 代码评估 pass@k
- 评审位置偏差与缓解
- 错误分类体系（误差分析）
- 迭代闭环：假设→改→回放→对比
- 重复运行与结果波动
- 翻译指标 BLEU 与 chrF
- 执行式评估：用运行结果判对错
- 评委自偏好与同源问题
- 提示变更的卡口（CI 门禁）
- 切片复盘：定位退化的那一块
- 上线后的质量监控
- 神经翻译质量评估（COMET）
- 评委的长度偏好（啰嗦偏差）
- 评委与人工评分的对齐
- 评测集的分层抽样
- badcase 挖掘与归类流程
- token 用量核算与预算
- 语义相似度指标（BERTScore 思路）
- 难例集与对抗样本池
- 两个版本的差异是否显著
- 标注规范文档写法
- 用户反馈闭环
- 提示变更日志与实验记录
- 成本与延迟纳入评测
- 多重比较与指标挑选
- 人工标注一致性（Kappa）
- 影子运行与灰度评估
- 延迟看分位数（P95/P99）
- 双标与仲裁流程
- 金标集的保鲜与轮换
- 输入分布漂移的检测
- 评测报告模板与结论写法
评测集的分层抽样
抽样按业务频率与难度分层：高频场景按占比、低频高风险场景保底样本；避免评测集被单一场景主导。
易错点
- 纯随机抽样时低频高风险场景样本极少，结果波动大且说明力弱
- 分层比例与线上差异大时，未加权总分不能代表线上表现
数据来源与参考
- 分层抽样（stratified sampling）统计方法在评测集构建中的应用