#psychometrics

这篇论文揭示了AI安全基准测试的测量问题，特别是HarmBench数据集无法准确衡量单一安全属性。

这篇论文提出了一种新的双维度LLM框架，可以更有效地分析大规模评估中的内容冗余问题，对于内容筛选和自适应测试有重要意义。

这篇论文讲怎么用LLM自动造认知决策场景，还验证了复杂度靠谱，做AI评估或心理学实验的可以看看。

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。