用 Claude 复查评测报告，多找出 36% 的 benchmark 提及

Jason Wei 让 Claude 更彻底地搜索评测报告后，多找出了 36% 的 benchmark 提及，但这种方法仍会漏掉带复杂 UI 的博客和长 PDF。其 ICML 论文 EvalEval 依靠人工标注并逐篇阅读技术报告完成，评测报告领域也急需 EEE 这类社区通用标准。