Как UK AISI и EvalEval делают результаты бенчмарков воспроизводимыми

UK ИИ Security Institute (AISI) и EvalEval переводят в открытую инфраструктуру совместные наработки, начатые на воркшопе рядом с NeurIPS 2025. Через схему Every Eval Ever и платформу Evaluation Cards AISI публикует проверенные результаты, настройки и контекст оценивания для пяти бенчмарков, шести передовых моделей и двух кибероценок. Это позволит исследователям повторять эксперименты, сравнивать результаты при разных протоколах и лучше понимать, как настройки влияют на заявленную производительность моделей.

👉 Читать полностью