这篇由Yanhang Li等人提交、被ICML 2026的TAIGR研讨会接收的论文，对当前AI治理框架中广泛依赖的评估证据提出了尖锐质疑。治理框架通常要求AI提供商和审计方提供有文档记录的评估证据，而基于扰动的构建效度审计正是其中常见的一种。然而，作者认为这类审计本身是脆弱的：其结论可能被读者在报告数字中无法看到的实现细节所悄然制造。换言之，审计报告呈现的看似客观的数值，可能掩盖了流水线中若干关键选择带来的偏差。
为了系统性地揭示这一问题，作者命名了五类流水线失效模式，并在一个针对安全基准和开放权重指令微调模型的自审计中逐一演示。这五类失效模式被标记为F1至F5，分别对应审计流程中可能出错的环节。作者强调，这一分类是示例性的、有意非穷尽的起点分类法，而非对审计失效的全面划分。这意味着实际中可能存在更多未被涵盖的失效类型，读者不应将其视为完整清单。
在实证部分，论文采用了一个单一案例研究，涉及两个模型和五个基准。作者设计了一个统一的六点尽职调查门控，用于评估审计证据的可靠性。令人注意的是，在这一门控下，所有单元格均落入非确证类别，没有任何一个单元格达到确证级别。这一结果凸显了当前审计实践在满足严格尽职调查标准方面的不足。
作者将这一门控定位为一种针对保证级证据的扣留与披露协议。它并非经典构建效度证据的替代品，而是对其的补充。同时，作者明确表示，该门控不应被视为通往基准有效性裁决的途径。论文的贡献在于提醒研究者和治理机构：在依赖审计证据之前，必须首先审计审计过程本身，关注那些可能悄无声息地制造结论的实现细节。
论文共18页，包含4幅图，已被ICML 2026的TAIGR研讨会接收，属于机器学习（cs.LG）和软件工程（cs.SE）交叉领域。该研究为AI评估的严谨性敲响了警钟，并提供了一个可操作的尽职调查框架，尽管其分类法和案例研究范围有限，但为后续更全面的审计失效研究奠定了基础。