feat: add evaluation and safety chapter

ROADMAP.md

@@ -15,7 +15,7 @@
 - **L2 论文**：能读关键公式、消融实验和训练配置。
 - **L3 工程**：理解并行、通信、显存、精度与服务系统。
 
-## 16 个专题
+## 17 个专题
 
 ### 00. 导航：先看懂一张大模型地图
 
@@ -132,6 +132,13 @@ EAGLE-3 draft、cache-aware affinity 与 token-budget admission。配套显存
 
 困惑度到 MMLU/GPQA/HLE，SWE-bench、OSWorld、BrowseComp；污染、harness、工具预算、LLM-as-a-judge、选择性报告与网络安全边界。
 
+首版已完成：以构念、单位、任务分布、指标、Prompt、解码、采样、Harness、环境、裁判、聚合、
+不确定性、污染、题质、动态性、Arena、成本、子群、事实性、威胁模型、安全边界与披露二十二张账，
+串起 2002–2026 的 80 个一手节点。正文从 PPL / BLEU / ROUGE、MMLU 与 HELM，走到 pass@k /
+pass^k、校准、动态基准、代码 Verifier、LLM Judge、Arena、Agent 最终状态与安全威胁模型；
+重点逐项复原 DeepSeek LLM→Math→V2→V3→R1→V3.2→V4 与 Kimi K3 §6 的评测协议，并提供
+指标校准、Judge 偏差、污染动态题、系统成本与安全边界四个独立实验。
+
 ## 三条贯穿式案例
 
 1. **Kimi K3 解剖**：把上述全部专题重新汇总到一张架构与训练系统图。