立场：评估分数是易逝的知识主张

英文标题：Position: Evaluation Scores Are Perishable Knowledge Claims

本文讨论语言模型评估方法日益将多种信号结合起来，包括自动化指标、LLM-as-judge 评分、人工评估和基准测试套件结果。原文指出，这些信号常通过平均等方式进行聚合，以形成评估结论。论文的核心立场是，评估分数应被视为具有时效性和条件性的知识主张，而非永久稳定的模型能力事实。对开发者和行业而言，这意味着应谨慎解读排行榜与单一汇总分数，并关注评估设置、模型版本及评估信号变化带来的影响。

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