Тестирование LLM‑фичи: можно ли верить своему eval
Eval показывает 96% качества, тесты проходят, а после релиза LLM‑ассистент допускает критическую ошибку. Разбираем семь ошибок тестирования LLM‑функций и способы построить eval, результатам которого можно доверять.