Introducing Bloom: an open source tool for automated behavioral evaluations

高质量行为评测存在两类过时风险：评测数据进入训练集导致污染，或模型能力大幅提升后评测不再测试真正感兴趣的内容。传统方式开发评测耗时长，无法跟上前沿模型迭代速度。Bloom 的核心设计动机正是提供更快、更可扩展的行为评测生成方式。