#项目反应理论

METR那个时间跨度指标被重新算了一遍：2到30分钟区间难度曲线几乎是平的，同样是10倍跨度，难度差别很大，附诊断图。

这篇论文用IRT给192个模型的安全基准做心理测量，能把评测成本砍掉97%以上，还能识破模型故意考差或API后门换模型。

这篇论文揭示了多语言AI评估中的一个关键误区——本地语言表现差可能不是知识缺失，而是语言能力瓶颈。做跨文化NLP或本地化模型的团队，看完会重新理解评测指标。