负责大模型评估体系与评估 Pipeline 的设计、开发与持续演进，覆盖 LLM / VLM / Agent 等多种模型形态
深入理解模型能力结构（指令遵循、推理、代码、Agentic、多模态等），设计高区分度、可落地的评估指标与评测方法
构建并维护 模型评估全流程能力，包括但不限于：
评测样本与数据集管理（版本化、标签体系、覆盖度）
自动化评测执行（批量推理、并发、失败重试、成本控制）
评估打分与聚合逻辑（规则 / LLM-judge / 多裁判）
结果可视化、模型横向对比、趋势分析与回归分析
与模型研发、产品、业务团队协作，帮助各方更准确、可解释地理解模型评估结果