斯坦福两项研究质疑AI基准测试有效性

2026年10月，斯坦福 HAI 支持的两项研究指出，当前用于给 AI 推理能力、安全性和偏见打分的基准测试，可能并未测到它们声称要测的东西，问题的核心在于基准的构念效度（construct validity）。论文作者 Sanmi Koyejo 与 Sang Truong 表示，基准分数已经影响到数十亿美元的投资，以及监管与政府采购决策，因此呼吁以更高的严肃性来构建基准。这两篇论文将于 10 月在旧金山举行的第三届 COLM 会议上亮相。此后暂无更新的报道，事件仍停留在研究公开与会议发布阶段。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。