研究绘制14767篇LLM评测论文的设计变迁
原文标题：What Do We Expect from LLMs? Mapping the Design of LLM Benchmarks
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
一篇arXiv论文系统梳理了2022年1月至2026年8月间14767篇LLM评测资源论文，分析评测目标、材料与打分机制的变化。研究发现评测日益强调行动、交互与专业应用，且LLM参与打分持续增长。作者提出疑问：评测扩张究竟带来更独立的证据，还是复制了参与模型的偏好与盲点。
- 问题
- LLM评测资源快速扩张，但模型排名本身无法揭示评测要求如何变化。
- 方法
- 系统梳理2022年1月至2026年8月间14767篇LLM评测资源论文，用分阶段筛选与自动全文编码分析评测目标、材料与打分机制的变化。
- 结果
- 评测日益强调行动、交互与专业应用；LLM参与打分在智能体与非智能体组均增长，模型生成材料无持续增长。
- 影响
- 提醒评测扩张未必带来更独立的证据，可能复制参与模型的偏好与盲点，做benchmark选型的团队需警惕。
深读 · 结论先行AI 生成展开看要点与影响 ↓
研究梳理14767篇LLM评测论文，发现评测转向行动与专业应用，LLM参与打分持续增长。
- •样本为2022年1月至2026年8月arXiv上14767篇引入或更新评测资源的论文
- •评测目标日益强调行动、交互与专业应用，新旧设计元素常并存
- •LLM打分在智能体与非智能体两组中均增长，但模型生成材料近期无同等持续增长
- •作者提出疑问：评测扩张是提供更独立证据，还是复制参与模型的偏好与盲点
为什么重要：对依赖榜单做决策的研究者与采购方，评测本身可能已被模型偏好污染，需重新审视证据独立性。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。