构念效度 LLM-DailyDigest 2026-08-16 2026-08-16 约 100 字 预计阅读 1 分钟 构念效度 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 代码评测 1 VeeReview：基于 V 模型评测智能体 PR 的构建—验证配对 10-22 多智能体协作风险 1 LLM 群体重演人类推理时夸大共识 09-18 多样性评测 1 用多样性剖面评估 AI 生成内容 08-19 安全评测 2 相同结果、不同证据：LLM 安全评测中的意图恢复 10-09 开放权重大模型非规范输入四状态安全评测 10-08 截尾偏差 1 截尾评分量表中的双重差分会制造虚假效应 08-28 效度审计 1 超越局部准确率：LLM 推理评测的协议级可识别性审计 08-16 数学推理 1 LLM 数学推理中的知识结构是否连贯？基于知识空间理论的评估 09-07 结构读出 1 Prompt-Model 交互抵达固定点：无任务确定性结构读出 08-24 评测基准 2 Artificial Societies Benchmark：合成人口研究的多维效度验证框架 09-25 GPT-6近满分触发ARC-AGI评测重构，下一代转向开放式发明 09-17 评测审计 18 测试评分代码智能体基准中的规格—判定器缺口 10-23 智能体安全评测中的捷径敏感性 10-18 跨语言评测意识：LLM 在印度语言测试中会改变行为吗？ 10-18 AI 时间跨度估计与 METR 指标效度分析 10-09 输入盲控制揭示层程序选择的 Oracle 提升虚高 10-08 论点与署名：AI 评估中的来源—立场一致性偏差 09-30 Augur：产品与政策变更的合成决策实验室 09-25 CDP：诊断大模型模拟调查中的文化扁平化与漫画化 09-25 LLM 代码漏洞修复中的编译率指标失效与变更感知评测 09-23 greCAPTCHA：以研究理解力验证生成式 AI 时代的论文作者身份 09-18 谬误检测基准测到的是论证模式识别，而非谬误识别 09-17 Trail of Bits 质疑 FLAWED AI 补丁基准并发布验证技能 09-16 同一模型跨版本跑分暴跌，厂商自建基准可信度受质疑 09-13 GPT-6 Astra基准成绩因测试环境从99.9%降至62.7% 09-11 API 基准分数无法可靠迁移至聊天机器人界面 09-09 对齐测试提示改变语言模型的战争决策 09-07 LLM 智能体商业评测中的构念效度失效 09-02 MCP 智能体安全评测中的处理泄漏与构念效度 08-16 题项相似性 1 双维度 LLM 框架自动分析大规模测评题项内容相似性 08-26 风格评测 1 风格还是签名？艺术家隔离的绘画风格分类评测 08-17
