评估透明度 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 评估透明度 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 ExeBench-FHD：提升反编译器评测保真度 10-21 医疗人工智能评测 1 MedBenchAgent：自动化构建医疗 VLM 评测基准 10-10 可信推理 1 AGMAI呼吁负责任发布AI生成数学成果 10-01 安全评测 3 DiagSafe：基于提示级量规的 LLM 安全诊断评测 10-22 OpenAI 上线对齐失效报告网站，披露九起智能体失控事件 09-29 LLM 交叉赋能软件工程与软件安全：证据中心综述 08-24 智能体评测 5 ToolBottleneckBench：固定脚手架预算下的工具智能体评测 10-18 DualViewEval：融合结果与过程关系的高效智能体基准压缩 09-17 ReFigBench：可编辑 PowerPoint 科学图重建评测 09-17 Harbor Adapters：大规模智能体评测基础设施与 Harbor-Index 09-10 BekchiAI：一键评测、观测与控制 LLM 智能体 08-29 模型评测 3 工具增强模型比较中的提示敏感性 10-24 PolyRating：低成本、偏差感知的 LLM 评测系统 10-18 跨厂商与版本的低成本模型行为测量 09-25 科研评测 1 自动化研究如何评估：基准与评估实践综述 10-09 系统优化 1 RAG 组件组合性评测：孤立增益不等于系统增益 10-22 评测基准 2 Benchmark Radar：AI 基准测试动态数据库与搜索引擎 09-15 FlavourBench：以可执行烹饪真值评测前沿语言模型 08-24 评测复现 1 J-Space Skill 提升 DeepSeek V4 Pro 的评测争议 08-20 评测审计 41 测试评分代码智能体基准中的规格—判定器缺口 10-23 Claude Sonnet 5.5在ARC-AGI-3适配框架下得分72.4% 10-22 基准是难度分布上的经验测度 10-22 推理时模型偏移下的语言模型保形预测审计 10-22 RTL 修复基准究竟测量了什么？ 10-21 更强评判器仍看不见：LLM 评测中的部署完整性盲区 10-18 评判者一致却错误：无标签评估中的一致性—准确性解耦 10-18 收益电话会 NLP 基准的可用性契约与事件内时序错配 10-18 AgentEval：面向有状态智能体的证据边界评估 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 自动评判误差掩盖不确定性量化评估中的权衡 10-08 LLM 评判器在实体对齐评估中的可靠性 10-08 CAP：跨部署条件诊断 LLM 评判模型 10-08 MemoryAgentBench 冲突消解评测审计：不可达标准答案与分数误读 10-08 测试时扩展曲线的可信认证与低成本审计 10-01 组件替换证据能证明什么：LLM 智能体局部决策的批判性综述 10-01 Arena：LLM 裁判自我偏好显著高于人类 09-30 Laya 类型化概率评估器：校准与选择性升级的独立复现 09-29 TMLR抽查作者论文理解，暴露AI代写与学术问责风险 09-26 LLM 评测结论的可复现性自审计 09-26 Augur：产品与政策变更的合成决策实验室 09-25 LLM 排行榜结论对隐藏模型选择的敏感性 09-24 本地工具调用评测中的服务栈混杂因素 09-23 Copy Ceiling：本体 grounding 生成中的输入暴露控制 09-22 LLJ Cards：LLM 评判模型使用最佳实践 09-22 Canonical Procedural Actions：工具智能体轨迹的可审计标注协议 09-22 Anthropic 发布前沿 AI 发展节奏指标与内部快照 09-18 审计 AI 生成的 RTL 安全验证计划：SecTB-RTL 基准 09-18 Harness Evolution 公平评测：复杂进化不如多次采样 09-17 Anthropic 提议引入“银行式”AI 安全监管 09-17 医疗大模型不同访问模式的输出差异与审计挑战 09-16 用答案扰动验证事实性评估方法的可信度 09-15 Terminal-Bench换榜引发谷歌、Meta刷榜争议 09-13 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 审计方式左右结论：LLM 决策审计的工具效应可比人口偏差 09-09 API 基准分数无法可靠迁移至聊天机器人界面 09-09 单公共因子模型下锚点—评判器误差相关性的闭式估计与诊断 09-09 网络安全 LLM 基准分数依赖评测流水线：可靠性审计 09-09 Phantom Gains：用实测零基线审计模型自我改进 08-21 递归自我改进 2 中国特色的RSI：中美递归式自我改进路径差异 10-24 Anthropic披露AI研发自动化与3万智能体运行指标 09-18
