Laporan Strategis  ·  2026-11-15

Evaluasi Double Blind: Menyelesaikan Dilema Kerahasiaan Ganda dalam Audit Keselamatan AI

Laporan StrategisLow dampakGlobal
Preprint, belum ditinjau sejawat. Para penulis menyajikan kerangka Evaluasi Double-Blind (DBE), yang menggunakan enclave perangkat keras yang aman untuk memberikan kerahasiaan timbal balik kriptografis sehingga prompt benchmark pribadi evaluator eksternal tidak pernah dibagikan kepada pemilik model, sementara bobot proprietary dan kode inferensi pemilik tetap rahasia di dalam infrastrukturnya. Dalam apa yang mereka gambarkan sebagai uji coba pertama di dunia, mereka mengevaluasi Gemini 2.5 Flash Lite dari Google DeepMind terhadap korpus benchmark pribadi AILuminate di dalam enclave aman NVIDIA H100 di Google Cloud Platform menggunakan PySyft dari OpenMined, dengan melaporkan overhead komputasi kurang dari 5%. Makalah ini adalah studi kerangka-plus-uji-coba yang berdiri sendiri yang membahas kontaminasi benchmark dan kepercayaan dalam evaluasi keselamatan AI mutakhir.
Ini adalah jalur teknis konkret menuju evaluasi independen dan dapat direproduksi dari model frontier proprietary — relevan langsung dengan audit keselamatan AI pihak ketiga dan pemerintah, serta ekosistem verifikasi yang semakin bergantung pada regulasi AI mutakhir.
Pantau ini sebagai referensi teknis jika Anda sedang membangun kemampuan evaluasi atau audit AI eksternal; catat bahwa ini adalah preprint yang belum ditinjau dan uji coba bersifat organisasi tunggal.
arXiv — Double Blind Evals: Resolving the Dual Confidentiality Dilemma in AI Safety Auditing
Lihat di umpan langsung Jelajahi temuan keamanan dan tata kelola AI terkait — diperbarui setiap pagi.
Buka umpan →