英国 AISI 通过 EvalEval 发布可复现的前沿模型评估

英国 AI Security Institute 开始通过 EvalEval 的共享 schema 与 Evaluation Cards 发布经过核验的前沿模型结果。首批数据覆盖六个前沿模型，以及 HealthBench、FrontierMath、Humanity's Last Exam、SWE-Bench Pro、Terminal-Bench 2.0 和两项网络安全评估。每条记录都带有配置上下文与评估方法，不再只有一个排行榜分数。该工作还分析了推理时算力与评估协议如何改变最终成绩。

本文来自既有扫描档案。迁移保留原判断，不代表在迁移时重新核验。