哪种评测集设计能为客服助手提供最可靠的发布证据？

哪种评测集设计能为客服助手提供最可靠的发布证据？

1. 版本化组合抽样任务类别、高代价事故、边界用例、对抗用例和预先定义的用户切片
2. 修改系统提示词时使用的十个演示
3. 由受测提示词和模型生成的大型合成集合
4. 只使用最常见的正常路径问题，并替换不同订单编号