当基准测试推断无法组合：AI 评估中的可投射性

英文标题：When benchmark inferences do not compose: Projectibility in AI evaluation

这篇论文指出，AI 基准测试结果通常无法一步直接导出具有实际影响的结论。评估者往往会将结果泛化到更多案例，将其解释为能力证据，外推至新任务，迁移到其他系统或部署场景，并与额外假设结合。论文聚焦“可投射性”（projectibility）问题，即这些多步推断何时能够成立，以及基准评估结论在组合后可能面临的局限。该议题对开发者和行业意味着，不能仅凭单项基准分数就轻易判断模型在真实任务、不同环境或其他系统中的能力表现。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB