首次双盲评测：评测方看不到权重，模型方看不到题

它解决的是一个二选一

外部评测长期只能在两种让步里挑一种：

1. 评测方把测试题交给模型方——那么模型方有可能提前看到题目。
2. 模型方把权重交给评测方——那么知识产权面临外泄风险。

Google DeepMind 这次做的，是把这个取舍拿掉。借助 Google Cloud 机密计算里的 Confidential Space，评测方看不到 Gemini 的模型权重，Google 也看不到评测方的测试提示词，而这一点由密码学验证，不是由合同约定。

参与方是新加坡 AI 安全研究所、OpenMined、AVERI 与 MLCommons，被测对象是一个 Gemini Flash Lite 模型，用的是保密基准。

为什么现在做

厂商用的比喻很直接：一个学生如果提前看过考卷，满分就不再说明他会什么。评测里对应的问题叫基准污染——模型如果已经见过题目，分数就只能被有限地相信。

Google 说明零日志协议和严格的合同约束一直存在并让外部测试题保持保密，这次的变化是把保证从流程与合同换成技术与密码学。他们把这一步指向两类最需要它的评测：网络安全类，以及政府机构使用的评测——那正是「不能交出题目、也不能交出权重」同时成立的场合。

边界，以及它没有解决的部分

要点是这项技术保证的是可见性，不是别的：

• 它保证评测方拿不到权重、模型方拿不到题目，因此题目不会被用来在测试前优化模型。
• 它不保证题目本身测的是它宣称要测的能力——那是本期另一条信号处理的问题。
• 它是一次试点，被测的是一个 Flash Lite 档模型，不是旗舰。方法学与结果写在他们的技术报告里，本条未逐项复核。

放在本期看，两条信号补的是同一条链上不同的环：双盲让「谁看得见什么」变成可验证的，而单题层面的基准审计让「这个分数在测什么」变成可测量的。两者都成立，一个分数才配被当成证据。