用IRT重做AI评测
AI Engineer · youtube · 2026-07-14
这场演讲主张：AI 评测不该继续用“1950 年代式”的简单正确率统计，而应借鉴心理测量学里的 IRT（Item Response Theory） 和自适应测验。
核心观点
- 传统评测把每道题当成同等重要，只算对错比例，信息量很低
- IRT 可以把题目放到同一能力尺度上，并给出更真实的误差范围
- 自适应测试能用更少题目测出同样能力，还能做更难被污染的私有/轮换 benchmark
- 评测分布还能暴露 数据泄漏、题目噪声、模型在哪些能力上“稳”或“靠运气”
结论
作者认为，这套方法能让评测更便宜、更难被刷分，也更能告诉我们模型到底学会了什么，而不只是分数有多高。
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