Driftproof

Driftproof 是一个开源评测工具，作者本人也是测试者，文中已披露利益关系。

评测判定明显有帮助的规则是：至少一个任务上两组得分的区间（均值加减一个标准差）不重叠且差距不小于 0.05，同时没有任何任务明显朝反方向走；任何一个任务上的明显下降都会压过其他任务上的提升。

评测方法为每个技能对应三个纯文本任务，每个任务在有技能和无技能条件下作答，每组重复 3 到 10 次，每个答案评分 5 次。

测试者列出三条限制：每个技能只有三个纯文本任务且由测试方编写；没有测试工具调用、生成媒体或部署服务；只有单一裁判模型。