GCRI · هوش مصنوعی و سامانه‌های خودمختار
ارزیابی مدل
Model evaluation asks what an AI model can do, how reliably, and where it fails. Benchmarks, red teaming, human studies and field monitoring each measure something different, and none fully predicts behaviour in deployment. This page sets out how evaluations are designed and where they mislead, how results should be reported, and what evidence serves the developers, deployers and regulators who rely on them.
Model evaluation in seven parts.
- 01The questionModel evaluation: how the risk develops
- 02در سراسر حوزه‌هاEvaluation must reflect the domain where a model is used
- 03نشانگرهاWhat is measured, and how well
- 04منابعWhere the evidence comes from
- 05تصمیم‌هاWho decides, and what the evidence serves
- 06Core questionsWhat evaluators ask
- 07MechanismsWhy scores mislead
Model evaluation: how the risk develops.
Validity, calibration and generalisation. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Benchmarks saturate and leak
Models quickly reach high scores on fixed benchmarks, and test items can leak into training data. High scores then say more about the benchmark than about general capability.
Test conditions differ from use
Evaluations use set prompts, settings and tasks. Real users phrase things differently, combine tools and face new situations, so measured performance may not transfer.
Adversarial testing finds hidden failures
Red teaming and adversarial prompts reveal unsafe or unreliable behaviour that average-case metrics miss. Coverage depends on the testers’ skill and the time allowed.
Performance drifts after deployment
Model updates, changing inputs and new uses alter behaviour over time. Without monitoring, a model evaluated at release can behave differently months later.
ثبت‌خانهٔ مدل.
The screen a team would use to follow this subject: its measures, states and decisions. Names are examples and values are illustrative.
ثبت‌خانهٔ مدل
Model evaluation · Model registry · Release gate
مدل‌ها
| M-184 triage assistant | خدمات عمومی | بالا | 19 of 24 suites | مسدود |
| M-320 flood nowcast | علم | متوسط | 12 of 12 | منتشرشد |
| M-157 document search | داخلی | پایین | 8 of 8 | منتشرشد |
| M-563 agent planner | عامل‌محور | بالا | 12 of 16 | در حال ارزیابی |
کارت مدل
- کاربرد مورد نظر
- پشتیبانی غربالگری، انسان تصمیم می‌گیرد
- خارج از دامنه
- تصمیم‌های صلاحیت
- محدودیت‌های شناخته‌شده
- دقت کمتر در موارد نادر
- مالک
- مالک مدل
سیاههٔ رخداد
- D-21INCارجاع ساختگی در چکیده
- D-9MITزمین‌گذاری بازیابی افزوده شد
- D-2INCتزریق فرمان از طریق پروندهٔ بارگذاری‌شده
- D-1MITمجوز ابزار محدودتر شد
Evaluation scores
vs release threshold
Evaluation must reflect the domain where a model is used.
- سلامتپیوستگیClinical AI must be evaluated on the populations it serves.What to watchPerformance by subgroup
- آبپیوستگیHydrological ML must be tested out of sample in new basins.What to watchPerformance in ungauged basins
- غذاپیوستگیCrop monitoring models need local ground truth.What to watchAccuracy against field data
Evaluations are designed for the مجموعهٔ Labs Evidence. The International AI Safety Report (2025) describes the limits of current evaluations; NIST’s AI RMF and its generative AI profile (2024) set measurement practice. Models would carry cards under NS-12 of the proposed Nexus Standards.
- Held-out test sets for a domain.
- Evaluation protocols with known failure cases.
How model evaluation is modelled, measured and tested.
مدل، مفروضات، داده‌ها و عدم قطعیت آن، به شکلی که دانشمند یا مهندس بررسی می‌کند. ساختارها از روش‌های منتشرشده پیروی می‌کنند. مقادیر ترسیم‌شده تبیینی‌اند، نه یافته.
مدل، معادلات و مفروضات
The model structure used for model evaluation, the assumptions it makes and how each is tested.
Ri = f(Hi, Ei, Vi, Ci)مخاطره، مواجهه، آسیب‌پذیری و ظرفیت مقابلهEAL = ∑k pk · Lkبر رویدادهای k با احتمال سالانهٔ pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| فرض | چرا ساخته می‌شود | چگونه آزموده می‌شود |
|---|---|---|
| مخاطره و مواجهه در یک رویداد مستقل‌اند | انتگرال زیان را تحت‌کنترل نگه می‌دارد | مقایسه با برازش مفصل بر سوابق مشترک |
| جفت‌شدگی‌ها نزدیک نقطهٔ کار خطی‌اند | اجازه می‌دهد شوک‌ها از طریق A منتشر شوند | فراتر از دامنهٔ خطی آشفته کنید و مقایسه کنید |
| منحنی‌های آسیب‌پذیری میان مکان‌ها منتقل می‌شوند | منحنی‌های محلی به‌ندرت در دسترس‌اند | اعتبارسنجی در برابر زیان‌های مشاهده‌شده در جاهایی که وجود دارند |
- ورودی‌ها
- مجموعه‌داده‌های نسخه‌دار با خاستگاه
- خروجی‌ها
- توزیع‌ها، هرگز تک‌رقم‌ها
- کد
- منتشرشده با کارت مدل و آزمون‌ها
- بازتولید
- همان داده، کد، محیط و بذر
What is measured, and how well.
Each indicator carries its unit, its cadence, the kind of source behind it and the evidence label a value would carry. No values are shown: a programme supplies them under its own authority.
| Indicator | Unit | دورهٔ تکرار | Source type | برچسب |
|---|---|---|---|---|
| Benchmark score with uncertainty | score with confidence interval | per evaluation | Published benchmark results | گزارش‌شده |
| Contamination checks reported | percent of evaluations reporting checks | per evaluation | Evaluation reports | DECLARED |
| Red-team findings by severity | count by severity class | per exercise | Red-team reports | گزارش‌شده |
| Performance gap between subgroups | difference in error rates | per evaluation | Disaggregated evaluation | مشاهده‌شده |
| Post-deployment incident reports | count by type | monthly | Incident monitoring | گزارش‌شده |
| Calibration error | expected calibration error | per evaluation | Evaluation on held-out data | مشاهده‌شده |
Where the evidence comes from.
Named public datasets and institutional records, each with its licence class. Sources by agreement are used only under their terms and never republished.
| منبع | What it gives | Licence class |
|---|---|---|
| Stanford HELM (Holistic Evaluation of Language Models) | Open, multi-metric evaluations of language models | Open source, Apache 2.0 for code; results public |
| MLCommons benchmarks, including AILuminate | Standardised performance and safety benchmarks | Public results, MLCommons terms (to check) |
| International AI Safety Report | Synthesis of evidence on capabilities, risks and evaluation limits | Public, terms per publisher |
| Model cards and system cards from developers | Developer-reported evaluations and limitations | Public documents, terms per developer |
| Epoch AI benchmark and model databases | Compiled benchmark results and model characteristics | Open, CC BY 4.0 |
Who decides, and what the evidence serves.
هوش مصنوعی و سامانه‌ها prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| چه کسی تصمیم می‌گیرد | The question | Evidence this page serves |
|---|---|---|
| توسعه‌دهندگان | Whether a model is ready for release and what limits to state | Evaluation protocols; red-team findings |
| Deploying organisations | Whether a model is fit for a specific use | Use-specific evaluations; subgroup performance |
| Regulators and AI safety institutes | What evaluation evidence to require | Evaluation standards and reporting templates |
Outputs this topic produces
- Evaluation protocols with uncertainty and contamination checks
- Disaggregated evaluation designs for subgroup performance
- Red-team methods for public sector use cases
- Evaluation reporting templates
What evaluators ask.
- Does the test measure the capability or property that matters for the intended use (construct validity)?
- When the model reports high confidence, is it right as often as that confidence implies (calibration)?
- Does performance hold on data from different places, times or populations (generalisation)?
- Has test data leaked into training, inflating results (contamination)?
Why scores mislead.
Models learn statistical regularities in their training data, including spurious ones. A medical imaging model may learn the hospital’s scanner signature rather than the disease; a language model may recognise benchmark questions it saw during training. When deployment data differ from test data, a problem known as جابه‌جایی توزیع, performance can fall sharply and without warning.
Large general-purpose models add new difficulties. Their capabilities are broad and emergent, outputs vary with phrasing, and the line between capability and memorisation is blurred. Aggregate scores can hide failures concentrated in particular groups or tasks.
How evaluation is done, and its limits.
- 01
Held-out and out-of-distribution testing
Testing on data deliberately different from training, analysed with احتمال و آمار. No test set covers every deployment condition.
- 02
Calibration analysis
Comparing stated confidence with observed accuracy, and checking how it changes under shift.
- 03
Disaggregated evaluation
Reporting performance by subgroup and task rather than only on average. Small subgroups give uncertain estimates.
- 04
Human and expert evaluation
Structured assessment of open-ended outputs, using علوم اجتماعی و رفتاری methods for rater agreement. Human judgement is costly and can be inconsistent.
How it is studied, and what the methods cannot say.
- 01مهندسی ارزیابی و اطمینان‌بخشی هوش مصنوعیAssurance cases for AI systems · Structured red teaming · Post-deployment monitoringApplied here
- 02احتمال و آمارUncertainty on benchmark scores · Calibration assessment · Audit samplingApplied here
- 03هوش مصنوعی و یادگیری ماشینDistribution shift analysis · Fine-tuning for a specific use · Interpretability methodsApplied here
- 04علوم اجتماعی و رفتاریHuman oversight studies · Affected community research · Workplace adoption studiesApplied here
Where this page’s references lead.
نهادها و اسنادی که این صفحه بر پایهٔ آن‌ها خوانده می‌شود. وضعیت و ویراست‌ها تغییر می‌کنند؛ هر پیوند به نهاد صادرکننده می‌رود.
جایی که این صفحه در سراسر کنسرسیوم به آن می‌رسد.
پرسش و پاسخ.
Why are benchmark scores not enough?
What is red teaming in AI?
What is data contamination?
Is a high benchmark score evidence a model is safe to deploy?
What is benchmark saturation?
Why evaluate after deployment too?
Will the platform publish evaluation protocols?
شواهد را از همین صفحه ارسال کنید.
گزارش‌ها is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
- ایمیلدرگاه GW-GCRIاز همین صفحه ارسال کنیدشواهد، یک اصلاحیه، یک مورد، یک روش، یک داوری، یک ترجمه یا ورودی نمایه. با برچسب این صفحه می‌رسد تا ویراستار مسئول آن را دریافت کند.
- Zenodoسپردهٔ بازآن را واگذار کنید و به جامعه ارائه دهیدسابقهٔ خود را با شناسهٔ ORCID خود در Zenodo منتشر کنید و سپس آن را در همانجا به جامعهٔ Reports ارسال کنید. گزینشگران آن را داوری می‌کنند؛ DOI از آنِ شما میماند.
- گزارش‌هاGCRIهمهٔ راههای مشارکت را ببینیدانواع مشارکت، نحوهٔ بررسی هر یک، اعتباری که دریافت میکنید، مجوز و آنچه هرگز پذیرفته نمیشود.
هرگز داده شخصی، جزئیات حساس زیرساخت یا چیزی را که حق اشتراکش را ندارید نفرستید. هر مشارکت پیش از استفاده داوری می‌شود؛ ارسال آن حق مؤلفی یا ویرایشی نمی‌دهد و حمایت مالی هرگز یافته‌ای را نمی‌خرد.
یک روش، یک مجموعه‌داده یا یک پرسش بیاورید.
اطلاعات و درخواست‌ها امروز باز است. هر درخواست یک شمارهٔ پیگیری می‌گیرد و گام بعدی را مشخص می‌کند؛ درخواست‌های عضویت، پرداخت‌ها، تخصیص رایانش و ثبت‌نام‌ها تنها زمانی باز می‌شوند که تیم، شرایط و ظرفیت داوری آن‌ها فراهم باشد.
اسناد حقوقی.
نقشه‌ها، داده‌ها و ارقام این سایت برای زمینه و اطلاعات عمومی نشان داده می‌شوند. توصیه، پیش‌بینی یا هشدار نیستند؛ حدود این اطلاعات در سلب مسئولیت‌ها و اعلامیه‌های داده بیان شده است.