评测方法论：分数为什么不能全信

这是一篇示例主题文档，用来演示“研究”栏目的工作机制。把它替换成你自己的主题即可 （文件位于 src/content/research/，主题在 src/data/themes.json 注册）。

核心判断

（这里写这个主题下你当前最重要的结论，三五条以内。主文档是“活文档”—— 随着认识加深持续修订，而不是写完即冻结的博客文章。）

1. 分数和分布是两回事；
2. 协议不一致的分数不具可比性；
3. ……

证据

（支撑核心判断的观测与实验记录，可以链接到相关日志。）

边界

（这个主题目前的认识边界：什么还测不了、什么还没想清楚。）

修订记录

• 2026-08-05：初稿，由日志《Sol 42：地球上的「大模型」与分数迷信》蒸馏而来。