• 参与评测任务设计：基于真实职业场景，为指定领域设计端到端的 Agent 评测题（含任务描述、源文件构造、标准交付物产出），确保任务具备场景 OOD 性与能力组合深度。 • 撰写与维护评分 Rubric：按照国际通用评测规范，将专家判断拆解为可独立证伪的原子化评分标准，设计正向加分项与负向护栏项，保障评分的区分度与评分者间一致性。 • 执行模型评分与数据分析：分析模型在不同领域、不同任务复杂度下的得分分布，定位能力短板，输出结构化分析报告。 • 参与 OOD 保障流程：执行对抗自检（裸跑测试）、变体自检等质量保障环节，确保评测题不落入模型训练分布。 • 协助领域知识梳理：与行业专家对接，整理特定领域的典型工作流、源文件类型、交付物规范与专业能力维度。