论文页面 - 评估卡片：AI 评估报告的解释性层

来源：https://huggingface.co/papers/2606.09809 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

AI 评估结果在不同平台上的报告方式不一致，这促使了 EvalCards 的开发——一个操作化框架，它将基准元数据、评估数据和模型信息标准化为统一的、可解释的记录，并包含四个关键的解释性信号。

AI 评估结果以规模化方式产生，但在排行榜、模型卡片、基准测试论文和公司博客上的报告却参差不齐。付出的代价是解释性的：读者无法可靠地跨来源比较结果、识别报告遗漏了什么，或将汇总声明追溯到底层证据。近期的努力解决了孤立的组件，但仍存在三个缺口：它们只覆盖了评估生命周期中的狭窄片段，并且无法组合成一个单一的可解释记录；它们指定了静态表示，无法区分不同利益相关者对同一证据提出的问题；它们仍停留在纸面提案阶段，缺乏规模化采用所需的提取基础设施。我们提出了一个操作化报告层，它将基准元数据、评估运行数据和模型元数据组合成一个统一记录。我们 (1) 通过对 52 篇论文和 10 次利益相关者访谈的结构化审查，推导出一个报告模式；(2) 实现了四个解释性信号（可复现性、文档完整性、来源与风险以及分数可比性），并通过针对研究与非研究受众校准的阅读器模式呈现；(3) 部署了一个监控工具，覆盖 5,816 个模型、635 个基准和 101,843 个结果，揭示了当前报告实践中的系统性差距。

查看 arXiv 页面 (https://arxiv.org/abs/2606.09809) 查看 PDF (https://arxiv.org/pdf/2606.09809) 项目页面 (https://evalevalai.com/) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.09809)

在您的 agent 中获取此论文：

hf papers read 2606.09809

没有最新的命令行工具？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.09809 以从此页面链接。

引用此论文的数据集 0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.09809 以从此页面链接。

引用此论文的 Space 0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.09809 以从此页面链接。

包含此论文的收藏 0

没有收藏包含此论文

请将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接。