metrology

本文介绍了一种心理测量数据表协议，用于将LLM裁判作为测量工具进行评估，测量暗电流、位置虚假偏好、稳定交叉敏感性和目标敏感性。基于三个开放权重模型的案例研究揭示了裁判质量和行为的显著差异。

讨论当前LLM评估方法的结构性弱点，这些方法未能预见能力的质变，并指出开发主动评估基础设施是实现安全能力跃升的关键瓶颈。