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
- CMU 发布 XYBench:LLM 只答字面问题,常无视用户真实需求 — valentina__py · 2026-10-27
- arXiv 前主席提示:投稿主分类选错,论文几乎必被搁置 — tdietterich · 2026-10-27
- arXiv 积压超 4000 篇论文被搁置，版主致歉并给出避坑建议 — tdietterich · 2026-10-27
- 72 张实拍图训练 MOSS 锐度滑块 LoRA,权重 1 到 -1 调焦 — aoleg77 · 2026-10-27
- CoreWeave 三周 RL 后训练:BrowseComp 提升 22.9%,工具调用省三成 — RichardSocher · 2026-10-27
- 开源决策模型打《红色警戒2》：先卖基地后自瞄自炸，训练后无人能敌 — heathercmiller · 2026-10-27