CleanScore：带负对照与敏感度边界的黑盒基准审计
原文标题：CleanScore: Black-Box Benchmark Audits with Negative Controls and Sensitivity Bounds
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。
论文提出 CleanScore，仅凭模型打分输出即可审计基准分数中技能与题目暴露的占比，通过公开题、两个独立改写题及私有负对照库给出优势区间而非简单结论。对五个开源模型在 GSM8K 与 ARC-Challenge 上的注册审计未发现暴露一致优势，表面形式膨胀低于 5 分。但阳性对照显示，植入泄漏在改写题上仍保留 52%–110% 的效果，说明表面形式零结果远不能排除污染。
- 问题
- 公开基准分数可能来自技能或题目暴露，而多数模型训练数据未知，难以区分污染。
- 方法
- 仅用打分输出做黑盒审计：每题配公开形式与两个独立改写形式，并用私有负对照库给出优势区间而非结论。
- 结果
- 五个开源模型在 GSM8K 与 ARC-Challenge 上未发现暴露一致优势，表面形式膨胀低于 5 分；但植入泄漏在改写题上仍保留 52%–110% 效果。
- 影响
- 提醒工程师：表面形式零结果远不能排除污染，评估基准分数时需谨慎解读。
深读 · 结论先行AI 生成展开看要点与影响 ↓
CleanScore黑盒审计五模型GSM8K/ARC未见暴露优势，但阳性对照显示改写题仍漏检52%-110%
- •仅用模型打分输出审计，每题含公开形式与两个独立改写形式，配私有负对照库
- •五个开源模型在200条GSM8K与200条ARC-Challenge上未发现暴露一致优势，表面形式膨胀低于5分
- •阳性对照中植入泄漏在模型未见过的改写题上仍保留52%-110%效果
- •ARC上植入49分优势仅显示-0.020可观测差距，约20分在改写题干与选项后存活
为什么重要：说明基于改写题的污染审计零结果远不能排除数据污染，基准可信度评估需要更强对照设计。
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。