斯坦福 HAI 两研究：给 AI 打分的基准测试可能测错了东西

斯坦福 HAI 支持的两项研究指出，给 AI 推理、安全、偏见打分的基准测试可能并未测到其声称要测的东西，核心是基准的构念效度。论文将亮相 10 月旧金山第三届 COLM 会议，作者 Sanmi Koyejo 与 Sang Truong 呼吁以更高严肃性构建基准，因为基准分数已影响数十亿美元投资、监管与政府采购决策。