AI Benchmark
AI 基準測試
AI 基準測試包含固定任務、資料、指標和測試條件。內容都要清楚記錄。大家用同一套規則，才能比較不同系統。
另一個例子
研究人員用同一份鎖定的推理題目和相同的回答設定，測試三個模型。報告列出分數、不確定程度和測試細節；無關的公開排行榜，不能證明模型在實際產品中的表現。
主要部分
- 01任務集
- 02評測協定
- 03可比較分數
什麼時候用
依照同一份穩定、公開的測試計畫進行受控比較時，可以使用這個詞。
什麼時候不要用
不要把一直變動的產品指標叫做基準測試。臨時測試或單一提示也不是基準測試。
程式裡的名稱
frozen tasks + protocol + comparable metrics 上線前要檢查
檢查模型與提示詞版本、參考資料、有版本編號的評估集與指標。驗證答案能否連回來源證據，也要檢查工具權限與隱私。再檢查常見失敗、拒答、安全退路與人工覆核。也要檢查監控、成本、速度與回復方式。
預期成果：使用或評估 AI 基準測試 (AI Benchmark)，讓 AI 行為可以衡量，也能連回證據。 使用者情境：研究人員用同一份鎖定的推理題目和相同的回答設定，測試三個模型。報告列出分數、不確定程度和測試細節；無關的公開排行榜，不能證明模型在實際產品中的表現。 AI 方法或概念：AI 基準測試 (AI Benchmark)。 適用理由：依照同一份穩定、公開的測試計畫進行受控比較時，可以使用這個詞。 不應使用的情況：不要把一直變動的產品指標叫做基準測試。臨時測試或單一提示也不是基準測試。 AI 要求：定義輸入與參考證據。設定模型和工具權限。使用有版本編號的評估資料與指標。說明失敗、拒答、隱私、速度與成本限制。 營運防護：保留可查詢記錄，並隱藏其中的敏感資料。提供使用者看得懂的安全退路。標出必須由人員覆核的步驟，並定義模型或提示詞的回復方式。 驗收條件：在有版本編號的評估集上記錄目前基準與目標。測試邊界案例與惡意輸入。驗證安全退路、監控、權限與回復方式。 證據與限制（證據邊界）：沒有一份官方標準能管到全部內容。不同團隊、平台或框架的用法可能不同。 待確認：目標任務、模型與版本、評估負責人、參考資料、風險門檻、工具權限，以及正式環境的安全退路。
檢查這份需求
請 AI 程式助手檢查目前如何使用 AI 基準測試 (AI Benchmark)。 定義：AI 基準測試包含固定任務、資料、指標和測試條件。內容都要清楚記錄。大家用同一套規則，才能比較不同系統。 正式環境檢查：檢查模型與提示詞版本、參考資料、有版本編號的評估集與指標。驗證答案能否連回來源證據，也要檢查工具權限與隱私。再檢查常見失敗、拒答、安全退路與人工覆核。也要檢查監控、成本、速度與回復方式。 修改程式前，先列出看到的證據、缺口、嚴重程度，以及最小且安全的修正。