AUROC（Area Under the Receiver Operating Characteristic curve，受试者工作特征曲线下面积）是衡量二分类模型区分正负样本能力的常用指标，取值 0.5 表示随机猜测、1.0 表示完美区分，广泛用于医学影像、异常检测和模型行为评估。它的优势是不依赖单一阈值，因此在类别不平衡场景中比准确率更受青睐；但它也有局限，比如对极端不平衡数据的校准不敏感，且在不同任务间横向比较时需要谨慎。近期多篇 arXiv 论文把 AUROC 作为核心评价指标，覆盖医疗诊断、幻觉检测与智能体监控等方向。
AUROC 在近期研究中的进展
当前焦点与观察点
围绕 AUROC 的讨论集中在三点：一是它容易被当作"万能分数"，但高 AUROC 不等于临床可用或部署安全；二是不同论文的采样方式、负样本定义差异很大，跨研究比较 0.886 这类数字时需谨慎；三是排序感知提示优化等工作提示，指标本身也在影响提示与模型设计。后续值得关注的是，是否会有更多研究同时报告校准误差与 AUROC，以弥补单一指标的盲区。