feat: add evaluation and safety chapter

research/sources/README.md

@@ -66,3 +66,17 @@ DeepSeek-VL/VL2、Janus、OCR 三分支，Kimi 三代 MoonViT、十六张问题
 计入全文证据。十八本独立账、62 节点阅读链、DeepSeek 与 Kimi 服务谱系、十五组视觉合同和
 四实验合同见 `../INFERENCE_SERVING_RESEARCH.md`。Grok Headless 的 70 个候选只保存在
 `../INFERENCE_SERVING_GROK_LEADS.md`，不能越过一手来源核验进入正文。
+
+评测与安全首轮缓存位于 `evaluation-safety/`（不提交 PDF/TXT）：
+
+- 指标与套件：BLEU、ROUGE、GLUE、SuperGLUE、MMLU-Pro / Redux、PALOMA 与 RULER；
+- 动态与代码：Dynabench、FreshLLMs、LiveBench、HumanEval、EvalPlus、LiveCodeBench 与 SWE-bench Live；
+- 裁判与偏好：MT-Bench、G-Eval、LLMBar、Length-Controlled AlpacaEval、Arena-Hard 与 Chatbot Arena；
+- 安全与 Agent：RealToxicity、ToxiGen、GCG、HarmBench、StrongREJECT、JailbreakBench、InjecAgent、
+  Cybench、WildGuard 与 AILuminate；
+- DeepSeek LLM/Math/V2/V3/R1/V3.2/V4 与 Kimi K3 复用既有模型报告缓存。
+
+本轮完整校验 50 份新增 PDF/TXT；Global MMLU 通过 canonical arXiv 导出入口取得，PDF 可读性警告
+未影响文本核验。二十二张测量账、80 节点阅读链、DeepSeek/K3 协议谱系、四实验合同与证据边界见
+`../EVALUATION_SAFETY_RESEARCH.md`。Grok Headless 仅生成教学问题和候选线索，永久隔离在
+`../EVALUATION_SAFETY_GROK_LEADS.md`，不能作为正式事实来源。