直接回答：没有任何单一指标能衡量 LLM，需要分层组合。预训练阶段看 perplexity 和下游 few-shot 基准；对齐之后看能力基准：知识类（MMLU、GPQA）、数学推理（GSM8K、MATH）、代码（HumanEval、SWE-bench）、指令遵循（IFEval）、长文本（RULER 等）。开放式生成质量与人类偏好靠人工评测或 LLM-as-judge，规模化的偏好对比则用 Chatbot Arena 这类众包对战平台算 Elo 排名。

展开解析：主要陷阱有三类。一是数据污染：基准测试集泄漏进训练语料会使分数严重虚高，应对方法是 n-gram 重叠检测、使用持续更新的动态基准（如 LiveBench）或私有评测集。二是 LLM-as-judge 的系统性偏差：位置偏置（偏好排在前面的答案）、冗长偏置（无原则偏爱长回答）、自偏好（偏向同源模型的输出风格），缓解手段包括交换顺序双评取一致、提供明确的评分量表（rubric）、定期与人工标注抽样对齐相关系数。三是基准分数与业务体验之间的鸿沟：MMLU 高不代表你的客服场景好用，生产上必须自建领域金标集做版本间的持续回归评测，配合线上 A/B 实验和用户反馈闭环，并把成本、首 token 延迟、拒答率一并纳入评估看板，避免单一维度优化。

追问方向：如何检测一个模型是否被基准污染？Elo 评分的前提假设与失效场景是什么？如何为一个垂直业务设计有区分度的评测集？（约 530 字）