斯坦福研究：API 审计结论难迁移至聊天界面

斯坦福团队在 EMNLP 2026 论文中审计了 ChatGPT、Claude、Gemini 等七款 AI 系统，发现通过 API 审计模型时，同一模型的评测得分平均比用户实际使用的聊天界面高 3.4 分，意味着第三方审计者常用的 API 审计结论无法迁移到面向用户的聊天机器人界面，也不反映终端用户的真实体验，凸显现有 AI 审计方法的局限性。

2026-09-16 ~ 2026-09-17 · 4 条相关

• 审计七款 AI 系统:API 审计结论无法迁移到聊天界面 — kenziyuliu · 2026-09-16
• 斯坦福 EMNLP 论文:API 审计无法反映聊天机器人真实用户体验 — StanfordAILab · 2026-09-16
• 斯坦福审计发现 API 跑分比聊天界面平均高 3.4 分不可靠 — stanfordnlp · 2026-09-16
• 斯坦福研究:同一模型 API 评测比聊天界面平均高 3.4 分,审计结果不可迁移 — StanfordAILab · 2026-09-17