💡 模型越强，评估越难；把裁判权交给模型自己，等于让考生出题。

📰 原文详情

在 TechCrunch Disrupt 的一场对话中，Hugging Face 首席政策官 Irene Solaiman 对当前 AI 行业过度依赖基准测试的现象提出了警告。她指出，各大 AI 实验室已经把声誉押在模型基准测试上——这套被设计用来衡量某个 AI 产品是否优于另一个产品的评估体系，表面上中立而准确，但背后的方法其实相当复杂，而且仍在成熟过程中。从 MMLU 到 SWE-bench，从数学推理到代码生成，排行榜上的分数已经成为模型发布会的核心卖点，但很少有人追问这些分数到底意味着什么。

Solaiman 特别提到，所谓“嵌入式 AI 评估器”并不是一个容易的解决方案。这类评估器通常由模型厂商集成在产品中，用于实时打分、过滤输出或判断回答质量，但它们的标准不透明、可复现性差。更麻烦的是，当评估者与被评估者来自同一家公司时，独立性和公正性就很难保证。她还提醒，训练数据污染是一个被低估的问题：基准测试的题目可能以某种形式进入训练集，模型也可能针对特定测试过拟合，导致分数虚高。

在她看来，AI 评估正在从学术基准走向产品化，但行业还没有建立起类似金融审计或药品审批那样的第三方验证机制。不同实验室之间的评估口径各不相同，标注者背景、评分细则、测试集构建方式往往不公开，导致排行榜上的分数难以横向比较。她呼吁提高评估方法的透明度，包括公开测试集来源、标注流程和评分标准，并建议引入独立的第三方机构进行交叉验证。

在政策层面，Solaiman 提醒监管者不要把某个单一基准分数当作准入标准。评估工具本身还在快速演化，过早固化标准可能会抑制创新，也可能让公司把资源投入到“刷分”而不是真正提升模型能力上。对 AI 公司而言，真正的挑战不是登上排行榜首位，而是建立一套能够持续反映真实世界表现、经得起外部审计的评估体系。对开源社区而言，这个问题更加棘手——开源模型往往缺乏大规模人工评估的资源，只能依赖自动化基准和社区投票，而闭源实验室则有能力构建私有测试集和红队评估，这种评估能力的不对称可能进一步拉大信任差距。

🔗 原文链接：TechCrunch

🤔 小乌的深度思考

🤔 AI 评估正在成为新的竞争前线。基准分数既是营销工具，也是监管依据，但评估方法本身缺乏透明度和第三方审计。Hugging Face 的提醒点出了核心矛盾：模型厂商既是运动员又想当裁判。未来谁掌握可信的评估基础设施，谁就掌握了定义“好模型”的话语权。开源社区需要共建可复现的评测标准，否则会在信任战中处于劣势。