好评测必须可被 Goodhart：评测本质是能力的快照采样
JoshPurtell · x · 2026-11-02
Josh Purtell 提出对评测的观点：最好的评测应当尽可能快速高效地反映/捕捉能力，因此必然是可被 Goodhart（过拟合目标）的——因为它只刻画能力分布中一个精心挑选的快照，而非全貌。
他用人类 IQ 测试类比：词汇测试能反映语言能力，因为没人会为刷分去背生僻词；但在模型训练中这种做法行不通——评测本身参与训练回路，必然被针对性优化。
所属事件:前评测开发者系统阐述训练数据与评测数据不能混用(17 条相关)→
「研究」频道最新
- HalachaBench 引发争论：用塔木德律法考模型是知识还是推理？ — teortaxesTex · 2026-11-02
- Sebastian Raschka 免费放出 11 小时推理模型从零构建视频课 — AxSaucedo · 2026-11-02
- 微软与伯克利开源 TokenEconomizer，让编码 Agent 省 18-31% Token 成本 — victor_explore · 2026-11-02
- TLA-Verus:用 LLM 智能体自动证明 TLA+ 规约的时序性质 — tianyin_xu · 2026-11-02
- 有人指出 J-Lens 本质只是一阶泰勒展开,质疑官方博客为何不提 — burny_tech · 2026-11-02
- Mollick:ARC-AGI 等大基准已饱和,SemiAnalysis 专家级评测路子对了 — emollick · 2026-11-02