已收录文章摘要，完整内容可前往原文阅读。
导读大模型迭代越来越快，评测却可能越来越重：每个版本都跑完整题库、完整基准套件，再调用昂贵裁判或人工复核。所有这些测试，都提供了不可替代的信息吗？中山大学研究者在《Are We Testing Too