全球大厂押注AI科研，但缺乏统一评价标准。8月19日，深度原理联合微软、斯坦福等发布论文，提出“发现回合”评估体系，全程记录AI科研决策，综合评分，并重视失败数据价值。深度原理的MIRA平台已实现科研闭环，在基准测试中领先。该标准标志AI科研从“应试”转向“真实发现”，行业下半场比拼“谁能真做出东西”。

本文介绍了主动代理研究环境（Pare），旨在模拟用户以评估主动助手。Pare将应用建模为有限状态机，支持主动用户模拟，并推出了Pare-Bench基准，涵盖143个任务，测试上下文观察和目标推断等能力，为数字助手的发展提供了新的框架和评估标准。

本文讨论了AI应用的优劣，Ryan与Fireworks AI联合创始人Benny Chen探讨了在评估AI时如何平衡定性与定量指标，以及开源评估协议和社区努力如何为AI评估设定标准。Fireworks AI是一个为开发者和企业提供的云平台，旨在运行、定制和扩展开源生成AI模型。

随着人工智能模型能力的提升，需建立技术和治理机构以确保安全和信任。OpenAI参与创立Appia基金会，旨在制定开放的评估标准，促进国际合作，确保AI系统的安全性和合规性，推动AI治理的民主化。

Linux 基金会成立了 Appia 基金会，旨在制定开放的模块化规范，以确保 AI 系统的可信性和合规性。成员包括谷歌、微软和 OpenAI 等行业巨头。Appia 将开发符合国际标准的评估标准，帮助验证 AI 系统的安全性和公正性，填补当前缺乏统一验证机制的空白。

代理人工智能系统在生命科学研究中的能力日益增强，但其有效性依赖于处理复杂研究的能力。现有评估标准未能全面反映这些能力，因此LifeSciBench应运而生。该平台包含750个专家任务，涵盖七个工作流程和生物领域，旨在评估AI系统在实际生命科学研究中的支持能力，任务设计基于生命科学专家的判断，评估AI在处理证据、分析和实验设计等方面的表现。

独立的第三方评估在安全生态系统中至关重要，需针对前沿模型设计验证其能力和安全性。有效评估报告应明确测试目标、提供有效证据，并考虑环境对模型表现的影响。选择合适的评估环境对结果至关重要，评估应避免奖励黑客、拒绝、污染等问题，以确保结果有效性。未来评估标准应详细说明测试内容、预算和有效性检查，以提高透明度和可信度。

元脑企智EPAI平台为企业提供从智能体研发到上线的量化评估标准，支持数据集管理和评测，确保AI应用与业务逻辑的快速迭代。平台采用“模型+提示词”对比模式，帮助企业选择最佳配置，并引入自动化评分体系，生成深度测评报告，提高智能体性能评估效率。

普林斯顿大学的研究探讨了使用大型语言模型（LLM）评估LLM的可靠性。研究发现，尽管整体传递性违规率较低，但有33-67%的文档存在不一致性。论文提出通过分裂共形预测集来量化评估可靠性，并指出评估标准的选择对可靠性影响大于裁判模型，选择相关性强的评估标准可以提升评估质量。

新研究提出“人类最后考试”（HLE），由近1000名专家设计2500道难题，以评估AI的深度理解能力。结果显示，当前AI表现不佳，预计到2025年可达到50%的准确率。HLE重新定义了AI评估标准，强调人类专业知识的独特性。

语言模型的幻觉源于训练和评估程序奖励猜测而非承认不确定性。即使训练数据完美，模型仍可能出现错误，评估标准的偏差使幻觉持续存在，统计不确定性和任意事实是预训练错误的关键因素。

Kaggle与Google DeepMind合作推出Kaggle Game Arena，旨在评估AI模型在策略游戏中的表现。该平台提供公平的全对全比赛环境，确保结果的可靠性。初期包括八个领先的AI模型，未来将扩展到多种游戏，以测试战略推理能力，为AI评估设定新标准。

本文介绍了如何制作一段年终项目视频，内容需涵盖项目问题、合作、技术流程、结果及局限性。视频应结构清晰，时长不超过20分钟，格式为MP4，并附上相关资源链接和总结。评估标准包括吸引力、清晰度、技术问题和结果分析等。

当前的AI安全评估无法有效防止偏见、错误信息和潜在危害。随着大型语言模型（如GPT-4）的能力提升，现有测试显得不足，亟需改进。评估方法缺乏适应性，无法应对不断演变的攻击手段，导致AI可能被滥用。为确保AI安全，需加强评估标准，采用动态和持续的测试方法，并引入多方利益相关者的意见。

OpenAI推出“先锋计划”，旨在推动AI的实际应用。该计划将制定行业特定的评估标准，帮助公司优化模型性能。参与公司将与OpenAI研究团队合作，开发定制模型和评估，以提高AI系统的信任度和效率。首批参与者为专注于高价值应用的初创企业。