趋势解读:AI evals are becoming the new compute bottleneck,提升开发者接入体验
AI 评估成本已跨越临界点,成为新的计算瓶颈。例如,Holistic Agent Leaderboard 运行 21,730 次评估耗资约 4 万美元,单个 GAIA 运行成本高达 2,829 美元。评估成本甚至可能超过预训练,尤其对于小模型,开发者需要更高效的评估策略。
原贴
查看原文
原文
中文翻译
AI 评估已经跨越了一个成本门槛,改变了谁能够进行它。Holistic Agent Leaderboard (HAL) 最近花费约 4 万美元,在 9 个模型和 9 个基准上运行了 21,730 次智能体 rollout。在缓存前,一个前沿模型的单次 GAIA 运行可能花费 2,829 美元。Exgentic 对智能体配置进行的 2.2 万美元扫描发现,相同任务上成本差异达 33 倍,将 scaffold 选择确定为一级成本驱动因素。UK-AISI 最近将智能体步骤扩展到数百万以研究推理时计算。在科学机器学习中,The Well 评估一个新架构大约需要 960 H100 小时,完整四个基线扫描需要 3,840 H100 小时。虽然已经针对静态基准提出了压缩技术,但新的智能体基准噪声大、对 scaffold 敏感,且仅部分可压缩。循环训练基准本身成本高昂,而当你试图为这些评估增加可靠性时,重复运行会进一步倍增成本。成本问题在智能体出现之前就已经存在。当斯坦福 CRFM 在 2022 年发布 HELM 时,论文自身的每模型核算显示 API 成本从 OpenAI 的 code-cushman-001 的 85 美元到 AI21 的 J1-Jumbo (178B) 的 10,926 美元不等,开源模型则需 540 到 4,200 GPU 小时,BLOOM (176B) 和 OPT (175B) 处于高端。Perlitz 等人 (2023) 重申了更大的 HELM 成本模式,IBM Research 指出将 Granite-13B 通过 HELM 评估“可能消耗多达 1,000 GPU 小时”。在 HELM 的 30 个模型和 42 个场景中,报告的成本和 GPU 计算总量约为 10 万美元。另一个惊人的观察来自 Perlitz 等人对 EleutherAI 的 Pythia 检查点的分析:开发者在模型开发过程中反复为评估付费。Pythia 为 16 个模型(横跨 8 种规模)发布了 154 个检查点,如果分别计算每个模型检查点,则为 2,464 个检查点,以便社区研究训练动态。在所有检查点上运行 LM Evaluation Harness 使得评估成为训练的倍增器:Perlitz 等人 (2024) 指出,评估成本“在评估检查点时甚至可能超过预训练”。对于小模型,评估成为整个开发周期中的主导计算项。当我们扩展推理时计算时,我们也在扩展评估成本。Perlitz 等人接着问道,HELM 中有多少内容实际上支撑了排名。结果令人震惊:计算量减少 100 到 200 倍几乎保持了相同的排序,在论文的分层分析下,更大的减少仍然对粗分组有用。Flash-HELM 将这一发现转化为粗到细的流程:先运行廉价评估,然后将高分辨率计算仅用于顶级候选。HELM 的大部分计算是在确认本可以更廉价推断出的排名。其他工作从不同角度得出了相同结论。tinyBenchmarks 使用项目反应理论将 MMLU 从 14,000 个项目压缩到 100 个锚定项目,误差约 2%。Open LLM Leaderboard 从 29,000 个示例缩减到 180 个。Anchor Points 表明,只需 1 到 30 个示例即可排序 GLUE 上的 87 个语言模型/提示对,其他人则将数据集大小减少了 90%。静态基准有一个可被利用的弱点:模型差异通常集中在一小部分项目上,因此排序能够经受住激进的子采样。一旦基准从静态预测转向智能体,这种技巧就会急剧减弱。一个非常好的智能体评估公开核算来自 Holistic Agent Leaderboard (Kapoor 等人, ICLR 2026)。HAL 在九个涵盖编码、网页导航、科学任务和客户服务的基准上运行标准化智能体工具,配有共享 scaffold 和集中成本跟踪。 headline 成本:在 9 个模型和 9 个基准上进行 21,730 次 rollout 花费 4 万美元。到 2026 年 4 月,排行榜已增长到 26,597 次 rollout。Ndzomga 的独立复现几乎达到了
核心信息
AI 评估成本已跨越临界点,成为新的计算瓶颈。例如,Holistic Agent Leaderboard 运行 21,730 次评估耗资约 4 万美元,单个 GAIA 运行成本高达 2,829 美元。评估成本甚至可能超过预训练,尤其对于小模型,开发者需要更高效的评估策略。
- AI评估成本激增,成为新计算瓶颈
- 大量评估费用浪费在确认已知排名上
- 静态基准可压缩,智能体评估难以压缩
- 评估成本可能超过预训练,小模型尤甚
- 开发者应采用粗到细的分层评估策略
成为会员查看完整内容
你已经看到了这篇内容的前置整理,剩余深度部分仅对会员开放。