目录1. 标准化基准评测（基础能力摸底）2. LLM-as-Judge（大模型判分，当前最火自动评估方案）3. 红队测试 Red Teaming（安全 对齐，企业刚需）4. 幻觉 事实性评测（RAG 场景高频）5. Agent / 工具调用专项测试（2025–2026 增长最快）6. 性能 推理压测（后端 / 运维侧，你做压测会用到）7. 模糊测试 LLM Fuzzing（鲁棒性测试，新兴热门）8. 行为漂移监控（线上持续测试，生产环境必备）9. RAG 系统全链路专项测试（不是只测 LLM）10. 人类偏好评估（黄金标准）工程落地优先级（给你做测试体系参考）配套热门工具清单大模型热门测试技术（产业落地主流，偏 QA / 测试工程视角）整体分为：能力基准评测、LLM-as-Judge 自动评估、红队 / 安全对抗测试、幻觉 事实性测试、RAG/Agent 专项测试、性能压测、行为漂移监控、模糊测试 (Fuzz)、人类偏好评估，也是现在企业落地最多的方向。1. 标准化基准评测（基础能力摸底）用来横向对比模型基础能力，适合选型、版本回归。经典文本：MMLU-Pro、GSM8K、HumanEval、SWE-bench、TruthfulQA、IFEval、MT-Bench、BIG-Bench Hard多模态：MMMU-Pro、HEIM工具：lm-eval-harness（EleutherAI，开源标杆）、HELM（斯坦福，综合评估）局限：容易被刷榜、数据集泄露，不能单独当成上线验收标准