课题背景：课题背景 Agent 是大模型能力演进的主战场，业界与团队内部已构建大量 Agent Benchmark。但造出尺子只是第一步——每把尺子究竟在量什么、量得准不准、不同尺子之间是否重复、如何用最小代价获得可信结论，这些"评测本身的科学问题"远未解决。本课题不以构建新 Benchmark 为目标，而是研究 Agent 评测的有效性、完备性与经济性，为模型训练、版本对分与生产监控提供准、快、稳的度量基础，与 Benchmark 构建团队形成上下游互补。 课题挑战 （1）度量的有效性：Agent 评测涉及多步轨迹、环境交互与复杂判分逻辑，Harness 实现细节对分数影响巨大；每个 Bench 实际考察什么能力、彼此是否正交、判分引入了哪些系统性偏差，需要建立元评测（能力归因、正交性分析、偏差诊断）的方法论；（2）度量的完备性：许多关键能力（如 coding 的细分子维度、长程规划、工具使用的鲁棒性）处于现有 Bench 的观测盲区，需要设计新的 metric 与自动化分析手段，扩展"可被度量"的能力边界；（3）度量的经济性与可靠性：Agent 评测天然高方差、高成本，如何量化评测置信度、构建高代表性的高效评测子集，并在大批量生产监控场景下保障评测链路的准确与稳定，是统计方法与系统工程结合的难点。 具体工作 深度解析前沿 Agent Benchmark，建立能力归因与正交性分析方法；设计面向观测盲区的新 metric 与自动化诊断手段；研究评测方差量化与高效评测方法，建设规模化可信评测体系，产出评测科学研究成果。

课题要求：学历和专业要求： 计算机科学、人工智能、机器学习等相关专业的博士同学（优秀硕士亦可）；同时也欢迎物理学、数学、统计学等自然科学背景、有志于转向大模型研究的博士同学，有实验设计与数据分析经验者优先。 技术技能要求： 1.熟悉大模型及Agent训练评测流程，了解主流Agent Benchmark、Harness或环境沙箱； 2.具备扎实的实验设计、统计推断与误差分析能力，能从复杂数据中提炼规律； 3.熟练使用 Python，具备较强的编程与工程实现能力； 软性素质要求： 1.具备自然科学式的研究品味：对现象保持好奇、对结论保持怀疑，追求可复现、可解释的严谨发现； 2.能深入细节，沟通协作能力强，有跨团队推动事项的主动性与快速落地能力。