英国AI安全研究所与EvalEval合作推动评估结果可重复性

英国AI安全研究所（AISI）与EvalEval合作，使用EvalEval的基础设施公开分享评估结果，支持更可重复和可验证的评估科学。双方此前在NeurIPS 2025联合研讨会上合作，反馈帮助完善了Every Eval Ever（EEE）模式。此次合作阶段将共享基础设施付诸实践，包括公开发布五个基准测试的验证结果、背景信息和配置信息。这些结果涵盖了六个前沿模型，并包括两个相关网络安全评估的结果。通过公开发布这些信息，研究人员和实践者可以更详细地审查个别研究，比较整个生态系统中的发现，为评估提供参考点。随着更多评估者采用EEE，这种开放比较将支持更广泛和可靠的元研究。AISI的Terminal-Bench 2.0结果与其他相同模型的不同评估设置下的评估结果一起发布。