亚马逊论文审计发现多个规则类基准评分有误

亚马逊团队发表《Follow the Policy, Fail the Benchmark》，审计九个评估 AI 模型按税务、法律与商业规则决策的公开基准。研究发现部分答案键和评分代码存在错误，导致正确答案被误判，并发布修订基准集 BAR，对 RuleArena、LegalBench 等基准的可信度提出质疑。