Epoch AI 发布 Benchmark Reviews 评测方法论

Epoch AI 公布 Benchmark Reviews 的评测方法论，用 Rubric v1 将基准评为 Verified、Flawed 或 Not enough info 三类。评审先看可复核性，任务与评分逻辑可查且 harness/API 设置披露才进入评分环节；评分、基准一致性、模型激发与评测偏见任一项越界即判 Flawed，默认阈值为抽查样本中 ≥20% 含错误。