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。
所属事件:呼吁引入项目反应理论重塑 AI 评测(2 条相关)→
「研究」频道最新
- Exponential 发布 RepoInject 与 BrowserInject 基准，测 prompt injection 防护 — maksym_andr · 2026-10-27
- Gemini 4.1 Flash 反常识:被要求控制思维链时反而更准 — dfrsrchtwts · 2026-10-27
- Redwood 研究:CoT 可控性评测严重欠激发,简单提示优化可提升 2-3 倍 — dfrsrchtwts · 2026-10-27
- 用 BeamZ 逆向设计光学系统跑通 MNIST 分类 — S_Conradi · 2026-10-27
- DeCert 框架无需参考答案评估生成式奖励模型的论证质量 — Guiquan Sun · 2026-10-27
- 新研究：VLM harness 同样是组合泛化器,可拆解复杂图像问题 — a1zhang · 2026-10-27