学者指出AI基准测试失效 呼吁重构评测体系

2026年10月17日，计算机科学家 Moritz Hardt 在专访中指出，AI 基准测试的绝对分数缺乏实际度量意义，过去仅依赖相对排名的稳定性推动行业发展。但在大语言模型时代，由于各模型训练数据不再统一，且各方针对榜单过度优化，排名的可靠性已彻底失效。为此，Hardt 建议引入类似高原训练的预备机制，在测试前统一为所有模型提供基准相关数据进行训练，以此拉平竞争起跑线，重构基准测试排名的有效性，推动评测从经验玄学走向规范科学。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。