共 2 篇文章
从静态题库、人类偏好竞技场到智能体任务基准与时间视界，AI 评测体系正在快速扩张，但饱和、污染、排行榜博弈、评测器缺陷、忽视成本、脚手架混淆、脱离真实工作和用户视角缺失等问题同样突出。本文梳理评测体系的指标现状与系统性缺陷，并提出效度、信度、可复现、经济性与授权一致性五位一体的完善路径。
扩散模型发明者、Anthropic 研究科学家 Jascha Sohl-Dickstein 于 2026 年 6 月 12 日在斯坦福 Physics and AI 会议（PAI26）发表演讲《给人类世最初与最后时光里年轻研究者的建议》，视频由 Stanford HAI 于 6 月 30 日上传，时长 45:14，10 月在 X 上再度走红。他的论据包括：十年来最大模型训练算力增长约 1000 万倍；METR 任务时长在不到一年里约增长 10 倍；AI 在约 7 个月里开始解决 Erdős 问题；按趋势 2030 年算力或达 2025 年的约 1 万倍。他的建议：选择在模型变强后仍有价值、甚至随之增值的课题；把执行交给 AI 但保留理解；自己写初稿——“写作即思考”；重估“读博—博后—教职”这条路径的安全性；趁指数增长早期，投身 AI 安全、可解释性、政策与公平获取。本文梳理其论证结构，区分事实、外推与个人观点，补充反方质疑，并给出对研究者、工程师和企业的可操作启示。