试点全球首个双盲AI评估

# 试点全球首个双盲AI评估 来源：https://deepmind.google/blog/piloting-the-worlds-first-double-blind-ai-evaluations/ 2026年8月27日 | 责任与安全 通过密码学安全环境构建专有模型基准测试的信任度 想象一个学生即将参加一场高风险考试。如果他们偶然提前看到了考题，取得满分成绩就会受到这种先验知识的影响，使这份成就失去意义。要真正衡量他们的知识水平，就必须确保他们在考试开始前无法接触考题。这正是当前行业在评估先进AI模型时面临的核心挑战。如果模型已经见过测试题目——这种问题被称为“基准污染”——那么评估结果的可信度就会大打折扣。 今天，我们推出**全球首个针对专有前沿AI模型的双盲评估**，该评估将外部评测严格限制在加密“安全盒”内，确保模型无法在测试前利用这些内容优化性能。我们与新加坡AI安全研究所、OpenMined、AVERI及MLCommons（https://mlcommons.org/2026/08/double-blind-reliability-evaluation/）合作，在隐私保护环境（https://cloud.google.com/blog/products/identity-security/verifiable-trust-in-the-ai-era-whats-new-in-confidential-computing）中对Gemini Flash Lite模型进行保密基准测试，显著提升了评估的完整性。 在Google，我们在模型开发和部署的全周期中采用多元评估体系来检验AI系统，但我们从不依赖内部测试。为发现潜在盲区，我们与多元化的外部合作伙伴展开协作，包括专业研究实验室、民间组织及各国AI安全与安保机构（AISIs），借助其独特专业知识对我们的模型进行压力测试。 随着AI模型能力不断增强，确保模型未提前接触测试题目或提示词至关重要，因为预先接触可能导致评估结果失真。政策制定者、研究人员和企业需要确信AI基准测试能真实反映模型的能力与安全性，但如果模型能够提前“窥探”评测问题，就会人为抬高分数并破坏这种信任。 虽然零日志协议和严格的合同保障长久以来保护着外部测试提示词的机密性，但结合技术与密码学防护手段，标志着安全模型评估领域的重大进步。 ## 双盲评估机制解析