Тестирование LLM: почему оценки качества могут обманывать

Статья разбирает проблему ложного доверия к результатам тестирования языковых моделей, когда высокие метрики на этапе разработки не предотвращают критические ошибки после релиза. Автор анализирует семь типичных ошибок при построении систем оценки (eval) и предлагает методы создания надежных проверок для LLM-ассистентов.