从静态基准到动态协议：以智能体为中心的文本异常检测用于评估大语言模型推理

针对现有大语言模型评估依赖静态数据集、难以捕捉模型 evolving 推理能力的局限，本文提出一种以智能体为中心的动态基准范式。该协议通过教师智能体生成问题、协调者智能体验证有效性、学生智能体求解的迭代机制，实现基准难度的自动扩展。采用需跨句逻辑推断的文本异常检测作为评估形式，系统性地揭示了传统基准未能发现的角落案例推理错误。该方法将评估焦点从固定数据集转向动态协议，为评估不断进化的语言模型提供了可持续方向。