基準名稱應該包含完整的提示、評估代碼和數據集，並且這些內容應該直接在名稱中。每個基準名稱應該長達50K個標記。

也許會議的同行評審正式結束是一件好事。在時間線上互相攻擊要有效率得多。

驗證者和環境中心背後的核心理念之一是，評估實現應該是公開的、可安裝的、可互操作的、版本化的，並且與任意模型端點兼容。 每個模型版本都有一個一次性的 "evals" 倉庫，裡面有自定義提示，這樣的做法實在是一團糟。