英國 AI 安全研究所與 EvalEval 如何讓評測結果可復現
英國 AI 安全研究所正使用 EvalEval 的 Evaluation Cards 基礎設施公開分享評估結果，以支援更具可復現性和可驗證性的評估科學。此次釋出包含了五項基準測試和兩項安全評測的驗證結果、上下文及配置資訊，涵蓋了 Claude Opus 系列與 GPT-5 系列等六款前沿模型，並配合其關於推理計算如何塑造前沿 LLM 評測的研究論文一同釋出。
#評測/基準
RSS 訂閱#評測/基準
RSSHugging Face BlogAI 評分5959
Import AIAI 評分6565 Import AI 461 期：探討對齊現狀、FrontierCode 編碼基準及合成科研實習生
Import AI 第 461 期回顧了多項行業動態與研究，包括非營利組織 Sequent 成立以推進 AI 對齊研究、認知公司推出高難度編碼基準 FrontierCode、小米釋出具備極高生成速度的大模型 MiMo-V2.5-Pro-UltraSpeed，以及評估 AI 科研輔助能力的 AARRI-Bench 基準。