行为评估

行为评估是在无法枚举的分布上采样，必然漏掉东西，不会提供证书。

论文采用行为评估路径而非传统静态基准测试来评估 Gemma 4。

行为评估与静态基准测试的关键区别在于刺激—反应范式的引入，通过操纵自变量（如措辞权威程度）观察模型在服从率、拒绝率、语气一致性等因变量上的变化。

行为评估方法的代价是实验设计需严格控制混淆变量，且结果对提示模板较为敏感，跨模型、跨语言的可复现性成为评估有效性的重要前提。