AI评测的公正性一直是行业痛点，如今DeepMind迈出了关键一步。

发生了什么

谷歌DeepMind正在试点全球首个双盲AI评测。所谓双盲，即评测者和被评测的AI模型双方都不知道对方身份——评测者无法区分哪个回答来自哪个模型，模型也无法针对特定评测者优化。这种设计旨在消除评估过程中的主观偏见和潜在的“应试”行为。目前该试点处于早期阶段，具体细节有限，但方向明确：让AI能力对比更接近科学实验。

为什么重要

当前AI评测面临两大困境：一是人类评测者容易受模型知名度、回答风格等非能力因素影响，导致评分失真；二是模型可能通过训练数据“记住”评测基准，产生虚高的分数。双盲设计能同时缓解这两个问题——评测者无法预知模型身份，模型也无法针对特定评测者或基准进行针对性优化。这类似于医学中的双盲试验，是提高结果可信度的金标准。DeepMind作为头部实验室，其试点可能推动整个行业采纳更严谨的评测规范，为模型排名、学术研究和产品选型提供更可靠的依据。

影响与看点

对开发者而言，双盲评测意味着模型对比结果更值得信赖，但也可能暴露一些模型在“盲测”下表现不如预期，引发排名洗牌。对评测平台和基准组织者，这可能是新的竞争方向——如何设计防作弊、防偏见的评测流程。值得关注的是，双盲能否真正落地，因为AI模型可能通过输出风格等隐式线索泄露身份，且评测任务本身可能难以完全标准化。我的判断是：双盲评测不会解决所有问题，但它是AI评估走向成熟的重要一步，未来可能成为高 stakes 评测的标配。

（本文基于公开信息撰写，不包含未公开细节。）