五大建议！OpenAI最强竞对Anthropic：正确的大模型评测

使用中心极限定理（CLT）评估模型时，报告标准误差（SEM）和置信区间，减少“运气好”对结果的影响；对于相关问题聚类，采用聚类标准误差，避免低估误差并误导结果；通过配对差异分析和效力分析精确评估模型间差异，优化问题数量和统计功效，确保评测结果的可靠性。