观点：评估分数是会过期的知识主张
这篇立场论文提出，语言模型的评估分数应被视为具有形式性、适用范围和有效期三种属性的认知主张。作者指出，通过平均值聚合多个信号会导致“信任膨胀”，并建议采用最弱环节聚合及附带元数据（形式等级、范围声明、过期日期）。在HELM排行榜上，按平均值与按最弱环节排序的前五名模型完全不重合。
一篇题为《Position: Evaluation Scores Are Perishable Knowledge Claims》的立场论文于2026年7月28日提交至arXiv，编号为2607.26191。该论文由Sankalp Gilda与另一位作者合著，全文7页，含1张图、1个表格，已收录于ACL 2026第五届生成、评估与度量研讨会（GEM）论文集，页码为1029–1035，会议在美国圣迭戈举行。
论文指出，现代语言模型评估正越来越多地把多种信号组合在一起使用：自动指标、LLM作为评审的打分、人类评估以及基准套件结果等。研究者通常会对这些信号取平均值，形成最终评价。然而，这种做法可能造成一种系统性的认知偏差：当不同信号的可靠性差异较大时，平均后的总体置信度会大大超过最不可靠信号本身所能支撑的程度。作者将这一现象命名为“评估中的信任膨胀”（trust inflation）。
针对这一问题，论文主张将评估分数视作一种“知识主张”，而不是固定不变的事实。作者提出，任何评估分数都应附带三方面属性：形式性（formality），即人类评估提供的证据强度应高于自动指标；范围（scope），即基准测试结果只适用于被测试的数据分布，不能无条件推广到所有场景；有效期（validity windows），即随着测试集污染不断累积、数据分布持续漂移，基准结果的效力会逐渐衰减直至过期。这些属性共同决定了评估结论的可信边界。
在聚合方法方面，论文援引了多个相互印证的研究传统——思维链分析、可能性逻辑和代数理论。这些研究均指向同一个结论：最弱环节聚合是一个由单一悲观参数控制的参数化算子族中的保守端点。也就是说，当评估系统中存在明显较弱的信号时，采用最弱环节作为聚合基准能够避免因平均化而掩盖风险。作者结合为智能体式AI构建评估框架的实践经验，建议所有评估结果显式携带“形式等级”“范围声明”和“过期日期”三类元数据，使评估结论的认知地位透明可查。
为了说明均值聚合的实际代价，作者在公开的HELM排行榜上进行了验证：在十个评估场景中考察了54个前沿模型。结果显示，按平均分排名前五的模型与按最弱环节分数排名前五的模型完全不相交。这一实验有力地表明，聚合方式的选择可能对模型排名产生根本性影响。论文还提供了DOI、页数和会议参考信息，供后续研究者检索引用。