精选理由
AI评估报告混乱是行业痛点，做模型评测、写技术文档或选型决策的团队，可以直接用EvalCards统一报告格式，减少误解和重复劳动。
AI评估结果虽大量产生，但报告格式不统一，导致读者难以跨来源比较、识别遗漏或追溯证据。现有方案仅覆盖评估生命周期的片段，缺乏统一记录，且未区分不同利益相关者的需求。研究者提出了EvalCards，一个可操作的报告层，整合基准元数据、评估运行数据和模型元数据。他们从52篇论文和10次访谈中推导出报告模式，实现了四个解释信号（可复现性、文档完整性、来源与风险、分数可比性），并针对研究与非研究受众设计了阅读模式。该工具已在5816个模型、635个基准和101843个结果上部署，揭示了当前报告实践中的系统性缺陷。
AI 翻译 · 中文
AI评估结果虽大量产生，但报告格式不统一，导致读者难以跨来源比较、识别遗漏或追溯证据。现有方案仅覆盖评估生命周期的片段，缺乏统一记录，且未区分不同利益相关者的需求。研究者提出了EvalCards，一个可操作的报告层，整合基准元数据、评估运行数据和模型元数据。他们从52篇论文和10次访谈中推导出报告模式，实现了四个解释信号（可复现性、文档完整性、来源与风险、分数可比性），并针对研究与非研究受众设计了阅读模式。该工具已在5816个模型、635个基准和101843个结果上部署，揭示了当前报告实践中的系统性缺陷。
AI evaluation results are produced at scale but reported inconsistently across leaderboards, model cards, benchmark papers, and company blogs. The cost is interpretive: readers cannot reliably compare results across sour…