HARDEN：进化搜索生成更难评测用例
原文标题：HARDEN: Constrained Evolutionary Search for Harder, Answer-Preserving Evaluation Cases
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 HARDEN，通过约束进化搜索在保持期望输出不变的前提下，将现有评测用例改写为更难的变体，同时保证语义、真实性与可执行性。在 FinQA、PubMedQA、ContractNLI 及三种 Qwen3.5 规模上，平均降低准确率 22.7%，最高达 49.9%。
- 问题
- 现有评测集过于简单，无法反映企业部署的真实复杂度。
- 方法
- 约束进化搜索在保持期望输出不变下改写输入，沿领域复杂度轴生成更难变体并保证语义与可执行性。
- 结果
- FinQA、PubMedQA、ContractNLI 与三种 Qwen3.5 规模上平均降准确率 22.7%，最高 49.9%。
- 影响
- 可直接用于压测自家模型与基准，暴露单次评测掩盖的鲁棒性缺口。
深读 · 结论先行AI 生成展开看要点与影响 ↓
HARDEN用约束进化搜索改写评测输入、保持期望输出不变，平均降低模型准确率22.7%，最高49.9%。
- •方法是在保持期望输出固定的前提下，把现有评测用例改写为更难的变体
- •沿生成的领域特定复杂度轴搜索，同时强制保持任务语义、真实性与可执行性等可行性约束
- •在FinQA、PubMedQA、ContractNLI及三种Qwen3.5规模（35B-A3B、122B-A10B、397B-A17B）上评测
- •相对使用相同可行性检查的单次通过基线，平均降低准确率22.7%，最高达49.9%
- •结论：进化搜索能产出显著更难且有效的评测用例
为什么重要：现有基准低估企业部署复杂度，HARDEN提供了一条自动生成更难但语义有效评测集的路径，对模型选型与红队评测有直接用途。
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。