用IRT重做AI评测
AI Engineer · youtube · 2026-07-12
这场演讲主张：AI 评测不该再沿用“答对多少题”的老式做法，而应借鉴心理测量学中的**项目反应理论（IRT）**。 核心观点包括： - IRT 能把每道题放到统一尺度上，并给出误差范围，判断哪些题有效、哪些只是噪声。 - 适应性测试可以用更少题目测同样能力，从而构建更难被污染、可轮换的私有基准。 - 题目拟合统计特性还能暴露**数据泄漏/答案泄露**，比单一分数更能看出模型真正学到了什么。 演讲者 Alejandro Vidal 认为，这类方法能让 eval 更便宜、更难刷分，也更能揭示模型能力边界与知识缺口。