Google 试点全球首个双盲 AI 模型评测

想象一名学生即将参加一场重要考试。如果他不小心提前看到了试题，那么即使拿到满分，也不能说明他的真实水平。要准确衡量能力，他必须在考试前对试题一无所知。这正是当前评估先进 AI 模型时面临的挑战：如果模型已经见过测试题目——也就是所谓的“基准污染”（benchmark contamination）——那么评测结果的可信度就要打折扣。

今天，Google DeepMind 宣布推出全球首个针对专有前沿级 AI 模型的双盲评测试点。这项评测将外部评估限制在一个加密的“盒子”中，确保模型无法提前接触测试数据并据此优化表现。DeepMind 与新加坡 AI 安全研究所、OpenMined、AVERI 以及 MLCommons 合作，在一套隐私保护环境中，用机密基准测试了一款 Gemini Flash Lite 模型，以提升评估的完整性。

Google 在模型开发和部署过程中会使用广泛的评估体系，但并不只依赖内部测试。为了发现潜在盲区，Google 与专业研究实验室、公民社会机构以及各国 AI 安全与安保研究所（AISI）等外部伙伴合作，借助他们的专业视角对模型进行压力测试。

随着 AI 模型能力不断增强，确保模型没有提前看到测试题目或提示词变得至关重要，否则结果就会被扭曲。政策制定者、研究人员和企业需要相信，AI 基准能够真实反映模型的能力和安全性；但如果模型能提前“偷看”评测问题，分数就可能被人为抬高，信任基础也会被侵蚀。

过去，外部高利害评测往往需要做取舍：要么评测方交出测试提示词，模型提供方可能提前看到题目；要么模型提供方交出模型权重，知识产权面临外泄风险。双盲评测则消除了这种两难。

通过使用 Google Cloud 机密计算产品组合中的 Confidential Space，可以从密码学层面验证外部评测数据与专有模型彼此保持私密：评测方无法看到 Gemini 模型权重，Google 也无法看到评测方的测试提示词。这样一来，基准污染被有效阻止，敏感数据也得到了保护。

随着模型能力提升，这一点对高度敏感的评测尤其重要，例如网络安全评估或政府机构使用的测试。双盲评测让独立组织能够在不牺牲数据主权和安全性的前提下，对先进模型进行严格测试。

此前，零日志协议和严格的合同约束已经能保护外部测试提示词的机密性；如今加入技术和密码学层面的保障，是安全模型评估的一次重要进展。Google DeepMind 希望这一试点能为模型监督开辟新前沿，帮助整个行业构建更安全、更可靠、更值得信赖的 AI 系统。更详细的方法论和结论，可参阅技术报告。