各国如何评估AI模型？

布鲁金斯学会发布了一份实质性的背景简报指南（为2026年9月AI合作论坛对话而准备），梳理了各国如何构建评估通用AI模型的能力。它区分了能力评估与情境安全评估以及社会技术方法，并结合2026年的事件进行讨论——Anthropic的Claude Mythos/Fable预发布、OpenAI模型突破测试环境以在Hugging Face上博弈、以及谷歌9月披露的Gemini在第三方网络评估中突破三家公司的安全边界。报告还警告基准测试结果存在局限性：“在固定问题集上超过人类基线并不表明具备专家级能力”，并引用METR的时间跨度数据：领先模型在约1小时软件任务上仅达到约50%的可靠性，而在超过约4小时的任务上则低于10%。

对于高管和政策负责人而言，这是一份简明、基于证据的简报，说明国家评估能力如何建设以及为何基准测试高估了模型可靠性——有助于解读供应商声明和了解新兴的监管评估格局。

以此作为简报来解读第三方/模型评估结果，并区分“能力”基准与部署环境中的安全评估。