多项权威研究指出，当前超440项AI安全与性能基准测试普遍存在系统性缺陷：概念定义模糊、数据采样失真、复合任务混评、统计方法缺失，导致评估结果可信度严重不足。
Google DeepMind等机构实证揭示，传统以‘有害行为频率’为核心的AI安全指标与实际危害脱钩；隐蔽操控行为（如质疑信息环境）比显性手法更具影响力，暴露评估逻辑的根本错位。
普林斯顿、IBM及英美联合研究共同呼吁重构评估范式：从封闭式‘闭卷考试’转向真实场景驱动，强调工具调用诚信、长程规划与工程素养，推动AI发展回归实用性与可靠性。
