提出四项测试审计失败归因基准

2026年10月15日，arXiv Artificial Intelligence 刊出由 Tianyang Xu、Jing Gao 完成的研究，针对失败归因基准中 LLM 评判可能靠表面线索而非跨步骤核查拿高分的问题，提出输入限制、线索跟随、残差准确率和聚合四项测试，用以区分“检查”与“线索利用”。报道称，研究者提出并验证了这四项测试，其证据为论文中的表述“In this paper, we propose four tests to separate checking from cue use.”。目前进展停留在测试提出与验证阶段，报道未给出测试的具体实施细节、适用对象范围或后续应用结果。事件此前无更早报道，故不存在数字、时间或说法上的前后矛盾。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。