How UK AISI and EvalEval Are Making Benchmark Results — 英国 AISI 与 EvalEval 合作，让 AI 基准测试结果可复现

• 英国 AI 安全研究所（AISI）与 EvalEval 合作，解决基准测试结果难以复现的问题，让评测过程更透明。对 agent 开发者而言，这意味着评测工具链需要标准化，才能被外部复现。
• 文章强调基准测试的可复现性依赖完整记录模型、提示、评分等细节，而非只公布分数。这提示工具链应默认保存评测配置与中间结果。
• 该合作推动评测结果共享与验证的通用做法，减少各团队重复造轮子。对开发者来说，采用统一评测规范能降低对比不同 agent 方案的成本。

原文：How UK AISI and EvalEval Are Making Benchmark Results Reproducible · 作者 Hugging Face