压力测试相关 AI 资讯 · AI 热点

8月10日

11:11

11:11

官方账号arXiv cs.AI@Zixuan Lan, Luzhe Sun, Matthew R. Walter, Jiawei Zhou

SABRE是一个可扩展的自动化流水线，能把Markdown任务设计转化为结构化规格、图像和问答对，用于构建视觉语言模型压力测试。该流程通过自动化过滤和人工审查保证题目质量。作者用SABRE-Prior实例测试模型是否依赖世界先验而非视觉证据，包含600张图像和1000个问题。六个VLM在宏观平均准确率上仅达17.8%至31.3%，平均22.6%。SABRE-Counting和SABRE-Spatial的试点证明该工作流可扩展至其他压力测试场景。

论文 SABRE VLM 压力测试

推荐理由：这论文给了一个能自动造VLM压力测试的框架，比现有基准更能暴露模型短板，做评测的可以看看。

6月29日

15:42

15:42

@koltregaskes@koltregaskes

精选

Nature Medicine论文对GPT-5、Gemini 2.5 Pro等前沿模型进行了医学视觉推理压力测试，通过移除图像、替换图像、调整问题格式来检验模型是否真正理解。结果显示，在标准基准上表现优异的模型在条件变化时出现推理不稳、幻觉视觉细节等问题。作者将测试框架开源，随后有人用GPT-5.5 Pro重新运行，得分从之前最好的67-70%提升至79%，约10个百分点的进步。这解决了论文发表时模型已过时的问题，使评估能随模型更新而保持时效性。

论文 GPT-5 Gemini 2.5 Pro 医学视觉推理

推荐理由：Nature Medicine那篇论文把模型考倒了，但作者直接把考卷开源了。后来GPT-5.5 Pro重新考，分数涨了10%！

6月11日

11:49

11:49

rohanpaul_ai@rohanpaul_ai

一项新研究指出，LLM 作为安全裁判时，对同一答案的翻译或改写版本可能给出不同安全判决。问题在于许多 AI 团队依赖 LLM 判断模型回答是否安全，但安全并非简单的二元问题。论文提出压力测试：将相同答案翻译或改写后展示给裁判，检查判决是否一致。裁判在暴力或极端内容等明显有害场景表现较好，但在金融建议、信用评估等依赖上下文和判断的场景中表现脆弱。不同裁判之间分歧大，高原始一致性可能掩盖低真实可靠性。

论文 LLM 安全裁判模型一致性

推荐理由：做 AI 安全评测的团队会直接受影响——你的安全裁判可能比想象中更不可靠，建议点开看看测试方法。