1. 跟踪海内外模型、评测及数据厂商的前沿动态，参与建设覆盖代码、办公、专业软件及垂直行业的评测体系，识别模型与 Agent 能力短板。 2. 参与真实场景 Benchmark 建设与数据生产，协同领域专家、标注团队及供应商，完成需求拆解、任务设计、评分规范制定与质量验收。 3. 分析用户数据、任务轨迹与反馈，挖掘问题与机会，设计实验方案、验证假设并分析结果，形成可执行的优化建议。 4. 与算法优化同学紧密协作，将评测洞察转化为数据建设与 Agent 优化方向，通过回归评测验证效果，持续迭代评测体系与数据。