复杂能力评测： 针对逻辑推理、代码生成、长文本理解等高难度能力，设计并构建自动化评测集与评估管线
主观偏好建模： 深入研究 RLHF 中的 Reward Model 表现，分析 Reward Hacking 现象
建立细粒度的评估准则，提升模型在开放式生成任务中的对齐效果
Model-based Evaluation： 研发并优化 LLM-as-a-Judge 技术，通过训练专用的 Critic Model 来替代人工进行大规模、高一致性的自动评估
数据驱动迭代： 建立从评测结果到训练数据的反馈闭环，通过Bad Case分析指导 SFT 数据配比与 Post-training 策略调整