GCRI · कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ
मॉडल मूल्यांकन
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.
- 01प्रश्नModel evaluation: how the risk develops
- 02सभी क्षेत्रों मेंEvaluation must reflect the domain where a model is used
- 03संकेतकक्या मापा जाता है, और कितनी अच्छी तरह
- 04स्रोतसाक्ष्य कहाँ से आता है
- 05निर्णयकौन निर्णय लेता है, और साक्ष्य किसकी सेवा करता है
- 06मूल प्रश्नWhat evaluators ask
- 07तंत्रWhy 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.
मॉडल रजिस्ट्री।
वह स्क्रीन जिसका उपयोग कोई टीम इस विषय का अनुसरण करने के लिए करेगी: इसके माप, अवस्थाएँ और निर्णय। नाम उदाहरण हैं और मान उदाहरणात्मक हैं।
मॉडल रजिस्ट्री
Model evaluation · Model registry · Release gate
मॉडल
| M-184 triage assistant | सार्वजनिक सेवा | उच्च | 19 of 24 suites | अवरुद्ध |
| M-320 flood nowcast | विज्ञान | मध्यम | 12 / 12 | जारी |
| M-157 document search | आंतरिक | निम्न | 8 of 8 | जारी |
| M-563 agent planner | एजेंटिक | उच्च | 12 of 16 | मूल्यांकन हो रहा है |
मॉडल कार्ड
- अभिप्रेत उपयोग
- प्राथमिकता-निर्धारण सहायता, निर्णय मनुष्य का
- दायरे से बाहर
- पात्रता निर्णय
- ज्ञात सीमाएँ
- दुर्लभ मामलों पर कम सटीकता
- स्वामी
- मॉडल स्वामी
घटना लॉग
- D-21INCसारांश में मनगढ़ंत उद्धरण
- D-9MITपुनर्प्राप्ति आधार जोड़ा गया
- D-2INCअपलोड की गई फ़ाइल के माध्यम से प्रॉम्प्ट इंजेक्शन
- D-1MITउपकरण अनुमति संकीर्ण की गई
Evaluation scores
vs release threshold
Evaluation must reflect the domain where a model is used.
- स्वास्थ्ययुग्मनClinical AI must be evaluated on the populations it serves.What to watchPerformance by subgroup
- जलयुग्मनHydrological ML must be tested out of sample in new basins.What to watchPerformance in ungauged basins
- खाद्ययुग्मनCrop monitoring models need local ground truth.What to watchAccuracy against field data
Evaluations are designed for the Labs साक्ष्य शृंखला. 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.
मॉडल, उसकी मान्यताएँ, उसका डेटा और उसकी अनिश्चितता, उस रूप में जिसे कोई वैज्ञानिक या अभियंता जाँचेगा। संरचनाएँ प्रकाशित पद्धतियों का अनुसरण करती हैं। लिए गए मान उदाहरणात्मक हैं, निष्कर्ष नहीं।
मॉडल, समीकरण और मान्यताएँ
The model structure used for model evaluation, the assumptions it makes and how each is tested.
Ri = f(Hi, Ei, Vi, Ci)संकट, जोखिम-संपर्क, भेद्यता और सामना करने की क्षमताEAL = ∑k pk · Lkवार्षिक प्रायिकता pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| धारणा | यह क्यों बनाया जाता है | इसका परीक्षण कैसे होता है |
|---|---|---|
| एक घटना के भीतर संकट और जोखिम-संपर्क स्वतंत्र हैं | नुकसान समाकलन को हल करने योग्य रखता है | संयुक्त अभिलेखों पर कोपुला फ़िट से तुलना करें |
| संचालन बिंदु के पास युग्मन रैखिक हैं | झटकों को A के माध्यम से फैलने देता है | रैखिक सीमा से आगे विक्षोभ दें और तुलना करें |
| भेद्यता वक्र स्थानों के बीच स्थानांतरित होते हैं | स्थानीय वक्र शायद ही कभी उपलब्ध होते हैं | जहाँ प्रेक्षित हानियाँ मौजूद हों, उनके विरुद्ध सत्यापन करें |
- इनपुट
- उद्गम के साथ संस्करणबद्ध डेटासेट
- परिणाम
- वितरण, कभी एकल संख्याएँ नहीं
- Code
- मॉडल कार्ड और परीक्षणों के साथ जारी
- पुनरुत्पादन
- वही डेटा, कोड, परिवेश और सीड
क्या मापा जाता है, और कितनी अच्छी तरह।
प्रत्येक संकेतक अपनी इकाई, आवृत्ति, उसके पीछे के स्रोत का प्रकार और वह साक्ष्य लेबल वहन करता है जो किसी मान पर होगा। कोई मान नहीं दिखाए जाते: कोई कार्यक्रम उन्हें अपने अधिकार के तहत प्रदान करता है।
| संकेतक | इकाई | लय | स्रोत प्रकार | लेबल |
|---|---|---|---|---|
| Benchmark score with uncertainty | score with confidence interval | per evaluation | Published benchmark results | रिपोर्ट किया गया |
| Contamination checks reported | percent of evaluations reporting checks | per evaluation | Evaluation reports | घोषित |
| Red-team findings by severity | count by severity class | per exercise | Red-team reports | रिपोर्ट किया गया |
| Performance gap between subgroups | difference in error rates | per evaluation | Disaggregated evaluation | प्रेक्षित |
| Post-deployment incident reports | count by type | मासिक | Incident monitoring | रिपोर्ट किया गया |
| अंशांकन त्रुटि | expected calibration error | per evaluation | Evaluation on held-out data | प्रेक्षित |
साक्ष्य कहाँ से आता है।
नामित सार्वजनिक डेटासेट और संस्थागत अभिलेख, प्रत्येक अपने लाइसेंस वर्ग के साथ। समझौते द्वारा प्राप्त स्रोतों का उपयोग केवल उनकी शर्तों के तहत होता है और कभी पुनः प्रकाशित नहीं किया जाता।
| स्रोत | यह क्या देता है | लाइसेंस वर्ग |
|---|---|---|
| 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) |
| अंतर्राष्ट्रीय AI सुरक्षा रिपोर्ट | 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 | खुला, CC BY 4.0 |
कौन निर्णय लेता है, और साक्ष्य किसकी सेवा करता है।
कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| निर्णय कौन लेता है | प्रश्न | यह पृष्ठ जिस साक्ष्य की सेवा करता है |
|---|---|---|
| डेवलपर | 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 |
इस विषय से उत्पन्न आउटपुट
- 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 वितरण बदलाव, 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 प्रायिकता और सांख्यिकी. 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 सामाजिक और व्यवहार विज्ञान methods for rater agreement. Human judgement is costly and can be inconsistent.
इसका अध्ययन कैसे होता है, और पद्धतियाँ क्या नहीं बता सकतीं।
- 01AI मूल्यांकन और आश्वासन अभियांत्रिकीAI प्रणालियों के लिए आश्वासन प्रकरण · संरचित रेड टीमिंग · परिनियोजन-पश्चात निगरानीयहाँ लागू
- 02प्रायिकता और सांख्यिकीबेंचमार्क अंकों पर अनिश्चितता · अंशांकन आकलन · लेखा परीक्षा प्रतिचयनयहाँ लागू
- 03कृत्रिम बुद्धिमत्ता और मशीन लर्निंगवितरण परिवर्तन विश्लेषण · किसी विशिष्ट उपयोग के लिए फ़ाइन-ट्यूनिंग · व्याख्येयता पद्धतियाँयहाँ लागू
- 04सामाजिक और व्यवहार विज्ञानमानवीय निगरानी अध्ययन · प्रभावित समुदाय अनुसंधान · कार्यस्थल अंगीकरण अध्ययनयहाँ लागू
Where this page’s references lead.
वे निकाय और दस्तावेज़ जिनके विरुद्ध यह पृष्ठ पढ़ा जाता है। स्थिति और संस्करण बदलते हैं; हर लिंक जारी करने वाले निकाय तक जाता है।
प्रश्न और उत्तर।
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?
इस पृष्ठ से साक्ष्य का योगदान करें।
रिपोर्ट 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.
- ईमेलगेटवे GW-GCRIइसे इसी पृष्ठ से भेजेंसाक्ष्य, सुधार, मामला, पद्धति, समीक्षा, अनुवाद या प्रोफ़ाइल इनपुट। यह इस पृष्ठ के टैग के साथ पहुँचता है, ताकि इसे सँभालने वाले संपादक को मिल जाए।
- Zenodoखुला जमाइसे जमा करें और समुदाय को प्रस्तुत करेंअपने ORCID iD के साथ Zenodo पर अपना अभिलेख प्रकाशित करें, फिर वहाँ Reports समुदाय को प्रस्तुत करें। संरक्षक उसकी समीक्षा करते हैं; DOI आपका ही रहता है।
- रिपोर्टGCRIयोगदान के सभी तरीके देखेंयोगदान के प्रकार, प्रत्येक की समीक्षा कैसे होती है, आपको क्या श्रेय मिलता है, लाइसेंस और क्या कभी स्वीकार नहीं किया जाता।
व्यक्तिगत डेटा, संवेदनशील अवसंरचना का विवरण या ऐसी कोई भी सामग्री कभी न भेजें जिसे साझा करने का आपको अधिकार नहीं है। उपयोग से पहले योगदान की समीक्षा होती है; इसे भेजने से लेखकत्व या संपादकीय अधिकार नहीं मिलते, और प्रायोजन कभी किसी निष्कर्ष को नहीं खरीदता।
कोई विधि, डेटासेट या प्रश्न लाएँ।
जानकारी और पूछताछ आज से खुली हैं। हर पूछताछ को एक संदर्भ मिलता है और अगला कदम बताया जाता है; आवेदन, भुगतान, कंप्यूट आवंटन और पंजीकरण तभी खुलते हैं जब उनकी टीम, शर्तें और समीक्षा क्षमता मौजूद हों।
कानूनी दस्तावेज़।
इस साइट पर मानचित्र, डेटा और आँकड़े संदर्भ और सामान्य जानकारी के लिए दिखाए जाते हैं। वे सलाह, पूर्वानुमान या चेतावनियाँ नहीं हैं; जानकारी की सीमाएँ अस्वीकरण और डेटा सूचनाओं में बताई गई हैं।