OmniTools 9月23日消息，英国AI安全研究所（AISI）正基于EvalEval基础设施，公开共享前沿大模型评测结果，以提升AI评测的可复现性与可验证性。此次合作涵盖HealthBench、FrontierMath、Humanity's Last Exam、SWE-Bench及Terminal-Bench 2.0五大基准，覆盖Claude Opus 4/4.5/4.6与GPT-5/5.2/5.4共六款前沿模型，并包含Cyber CTFs和The Last Ones两项网络安全相关评测。
AISI同步发布论文《推理算力如何影响前沿大语言模型评测》，揭示评测协议与推理时算力对模型表现的影响，例如在Humanity's Last Exam中，模型在获得正确性反馈后随token消耗增加持续解题。所有结果均通过Evaluation Cards格式公开，含验证结果、上下文与配置信息。
双方合作源于NeurIPS 2025联合研讨会，已共同推动Every Eval Ever（EEE）评测报告通用架构落地。AISI此前亦在OptStop（优化评测终止）、HiBayES（分层贝叶斯建模）等方向推进评测标准化。
