Evalship 上线 LLM 评测检查工具，可审查评测缺陷并拦截破坏评测的 PR

Evalship 发布面向 LLM 评测的检查工具，在初始化阶段由编码 agent 读取每个 scorer、judge 和提示词，找出评测本身的缺陷，官方示例在 44 个测试用例中发现 3 处问题。工具随后接入 PR 流程，评测失败时评论指出可能的原因并阻止合并，修复后自动放行。它还提供提示词与模型优化对比，例如换用便宜 33% 的模型后通过率差距在统计噪声范围内，并每周发送一次评测报告邮件。