高风险AI评测需覆盖完整工作流

AI安全研究者Ramakrishnan Lokanathan在AI Engineer播客访谈中提出，AI系统取得eval满分往往说明评测设计存在问题，而非能力已趋完美；这是他的方法论判断，并非已获验证的普遍结论。 他主张，为高风险AI应用设定理想成功标准、覆盖完整工作流、持续保留回归测试，并把真实用户遇到的失败转化为新评测用例。他还介绍开源项目eSlams，以国际象棋、围棋和德州扑克测试模型的另类推理能力。

AI 根据报道生成 · 52 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。