[在线评估] [评估者] 评估者游乐场

作为用户,我想能够将一个评估器加载到游戏场中 - 这可能是一个 LLM OR 代码评估器。然后,我也希望加载一个代表生产数据的数据集,并通过游戏场运行它。在第一次运行后,我想能够说评估器生成了正确答案或错误答案。然后,评估器将被"重新对齐",并再次运行,直到它完全与真实数据保持一致。"评估器"模式是游戏场的隐含状态,通过从新任务菜单中选择评估器任务来进入该模式。