IT之家 11 月 8 日消息，据科技媒体 the decoder 今天报道，一项由牛津大学、华盛顿大学等机构发表的国际研究指出，目前大多数大语言模型（LLM）的测试标准存在严重方法论问题，使人们很难真正客观地衡量 AI 的进步。

科学家们翻阅了顶级 AI 学术会议（IT之家注：涵盖 ICML、ICLR、NeurIPS、ACL 等）从 2018 年到 2024 年间发表的 445 篇基准测试论文，并邀请 29 名专家进行评判，结果发现这些论文里都至少存在一个重大缺陷。

据研究报告所述，这其中的许多基准定义都含糊其辞或存在争议，虽然 78% 的基准能说明内容，但其中的一半都没有清晰定义“推理”、“对齐”、“安全性”等关键术语，从而使这些论文的结论缺乏可信度。

此外，大约 61% 的基准测试评估了复合技能，如“智能体行为”，这些测试通常同时涉猎意图、生成结构化输出等多个子集，而这些子集很少能被单独评估，因此结果往往难以解释。

同时数据采样也是基准测试的重灾区之一，约 93% 的论文使用了便利抽样，12% 的论文完全依赖便利抽样，不能代表真实使用场景，还有 38% 的测试复用了数据，许多研究甚至会直接使用其它测试集，这种做法很可能扭曲 LLM 的实际表现，无法反映模型在复杂数学推理的真实能力。

此外，超过 80% 的研究使用“完全匹配率”作为评分标准，但只有 16% 使用统计校验方法来比较不同模型差异，还有 13% 使用人工评判，大多数测试都没有提供不确定性统计、置信区间，使结果可信度大打折扣。

当然团队也提出了改进方向，他们建议后续测试中需明确定义测试目标和边界，确保不在过程中混入无关任务，需要防止数据污染，并使用严谨的统计与误差分析，从定量和定性两方面下手，让研究结果更准确。