← 返回 2026-09-27 简报

英国AISI与EvalEval如何使基准测试结果可复现

How UK AISI and EvalEval Are Making Benchmark Results Reproducible

语音播报
摘要
事件:英国AI安全研究所AISI利用EvalEval基础设施,公开分享五大基准测试的可复现评估结果。 要点:涵盖Claude Opus及GPT-5系列等六款前沿模型在HealthBench等基准的表现,支持验证推理算力影响。 影响:提供标准化配置与上下文,解决报告格式分散问题,助力研究者进行更可靠、可比较的元研究分析。

EvalEval 联盟很高兴地宣布,英国人工智能安全研究所(AISI)正在使用 EvalEval 的基础设施来公开共享评估结果,以支持更具可复现性和可验证性的评估科学。

AISI 和 EvalEval 此前曾在 NeurIPS 2025 期间联合举办的研讨会中开展了合作研究,来自该研究所的反馈有助于塑造“Every Eval Ever”(EEE)模式。此次合作的下一阶段旨在将这一共享基础设施付诸实践。

为何可复现的评估报告至关重要

随着人工智能部署的加速,评估正成为关于模型和系统性能的证据的重要来源。然而,结果往往以多种格式、平台和渠道发布,且通常缺乏足够的信息以供复现。重新运行这些评估本身可能成本高昂到令人望而却步。

EvalEval 的使命是通过共享的报告模式“Every Eval Ever”以及开放平台“Evaluation Cards”,改善这一生态系统,将评估结果及解释所需的信息整合为统一的结构。

这自然地建立在 AISI 通过 OptStop 提高评估效率、通过 HiBayES 增强统计严谨性,以及在包括转录分析和能力激发在内的领域实现标准化的工作基础之上。AISI 和 EvalEval 正共同努力诊断评估报告中的差距,并构建共享基础设施以弥补这些不足。

AISI 正在共享的内容

转录级别的透明度不仅对可复现性至关重要,也对分析和诊断具有重要意义。在此次合作的新阶段,AISI 通过“Evaluation Cards”公开了适当的已发布评估方法和发现。此次发布包括论文主要实验中五个基准测试的验证结果、上下文和配置信息:

HealthBench

FrontierMath

Humanity's Last Exam

SWE-Bench Pro

Terminal-Bench 2.0

这些结果涵盖了六个前沿模型:Claude Opus 4、Claude Opus 4.5、Claude Opus 4.6、GPT-5、GPT-5.2 和 GPT-5.4。此次发布还包括来自两项相关网络评估——Cyber CTFs 和 The Last Ones——的结果,这些评估使用了另一组部分重叠的模型。这些数据伴随 AISI 的论文《推理计算如何塑造前沿大语言模型评估》(How Inference Compute Shapes Frontier LLM Evaluation)一同发布,该论文研究了基准表现如何依赖于推理时的计算量和评估协议。

在“Humanity's Last Exam”上的表现随评估协议和推理计算量的变化而变化。每条曲线显示了在给定令牌数量内解决的尝试任务的累积比例,使用每个任务观察到的最早成功次数。当模型在每次尝试后从预言机获得正确性反馈时,随着令牌使用量的增加,它们继续解决额外的任务。

当结果连同设置信息一起公开发布时,研究人员和从业者可以更仔细地研究单个研究,并在更广泛的生态系统中比较发现。在其他报告缺乏这些细节的情况下,AISI 的发布提供了经过验证的参考点,用于在上下文中解释评估——例如,帮助研究人员理解设置选择如何影响报告的表现。随着更多评估者采用 EEE,此类开放比较可以支持更广泛、更可靠的元研究。

AISI 的 Terminal-Bench 2.0 结果与其他针对相同模型在不同评估设置下报告的评估结果并列。

我们对这一采纳感到兴奋,并期待与 AISI 及其他人工智能评估组织进一步标准化和共享评估。

为共同使命贡献力量

关于 EvalEval 联盟

EvalEval联盟是一个研究社区,致力于开发具有科学依据的研究成果以及稳健的部署基础设施,以支持评估生态系统。其目标是提升评估科学的水平,解决在记录评估适用性和效用方面缺乏共识的问题,并扩大对影响科学研究和政策分析的关键影响的覆盖范围。

该联盟的旗舰项目包括“Ever Eval”(Every Eval Ever),这是一个用于评估结果的共享模式和存储库;以及“Evaluation Cards”,它将基准元数据、评估运行数据和模型元数据整合为可解释的记录。二者结合使用,使得人们更容易理解看似相似的分数是否是在实质不同的条件下产生的。

关于英国AI安全研究所

英国AI安全研究所(AISI)是英国科学与技术创新部下属的一个研究机构。其使命是为政府提供对先进人工智能所带来风险的科学理解。AISI开展研究并构建基础设施,以理解先进人工智能的能力与影响,开发并测试缓解措施,并为政策制定提供信息支持。

延伸阅读

本条评分 8.4 score-v1
  • 来源权威 8
    注册表 priority=8(Hugging Face)
  • 时效 0.4
    发布 4.9 天前,已衰减到地板 0.4
  • 多源印证 0
    只有 1 家在报(无旁证)
  • 社区信号 0
    无社区数据(本管线走 RSS,HN 的 hn_fetcher 未接入)
历史
刊期得分排名结果
2026-09-27 8.4 24 入选
2026-09-26 8.49 39 未入选
2026-09-25 8.77 42 未入选
2026-09-24 9.22 45 未入选
2026-09-23 9.95 31 未入选
原文链接:https://huggingface.co/blog/evaleval-aisi
来源:Hugging Face
以上内容由 AI 自动翻译,仅供参考。
← 返回简报