英國 AISI 使用 EvalEval 分享可複製的 LLM 基准測試結果

英國人工智慧安全研究所（aisi）已與 evaleval 合作，分享六個前沿模型的評估結果：claude opus 4、claude opus 4.5、claude opus 4.6、gpt-5、gpt-5.2 和 gpt-5.4。aisi 正在使用 evaleval 的 evaluation cards 平台，以提供透明且可重現的評估結果，包括五項基準測試的已驗證結果、背景脈絡和配置資訊。此次合作建立在先前研究的基礎上，旨在提升評估科學的可重現性與可驗證性。透過分享評估結果與基礎設施，aisi 和 evaleval 正致力於診斷評估報告中的缺口，並建構共享基礎設施來彌補這些缺口。