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
详细解读
这是什么信号? AI 评估正在从辅助工具转变为成本中心,甚至成为比训练更昂贵的计算瓶颈。随着智能体系统和推理时计算的普及,评估成本呈指数级增长,静态基准的压缩技巧在动态场景下失效,开发者面临“评估通胀”危机。
为什么重要? 评估成本直接决定了 AI 开发的门槛和速度。小团队可能被挤出前沿评估,而大公司也需要重新优化资源分配。同时,评估结果的可信度受限于重复运行成本,导致模型排名可能失真。理解评估成本结构有助于更理性地设计基准和开发流程。
对谁有价值? 对 AI 开发者:需要重新评估评估策略,采用粗到细的分层方法。对模型供应商:降低评估成本可吸引更多用户。对研究者:探索可压缩评估或新评估范式(如自适应测试)。对投资者:关注评估基础设施和优化工具领域的创业机会。
可以怎么行动? 1. 采用 Flash-HELM 或 tinyBenchmarks 等粗到细评估策略,先进行低成本筛选。2. 对于智能体评估,优先使用共享 scaffold 和集中成本追踪(如 HAL)。3. 在模型开发中,避免对每个检查点进行完整评估,改为间隔采样。4. 关注评估即服务(EaaS)平台,如 Exgentic 等,以降低一次性投入。
风险或限制:压缩方法可能丢失边缘案例的细节,尤其对安全关键场景不适用。智能体评估的压缩仍在探索中,缺乏理论保证。此外,过度优化评估成本可能导致 benchmark hacking,降低评价的真实性。
信息差价值
信息差价值:多数开发者只关注模型训练成本,忽视了评估成本已悄然成为更大的开销。本文揭示的评估成本数据(如4万美元运行2万次rollout)和压缩技巧(如100倍计算量仍保持排名)是圈内少有的量化洞察,可帮助读者建立更完整的成本认知。
业务启发:对AI公司而言,评估成本优化不是锦上添花,而是竞争壁垒。建立内部粗到细评估流水线,可节省50%以上评估预算,同时加速迭代。对于评估平台(如Hugging Face),推出低成本评估套餐或压缩基准服务,将成为吸引中小开发者的利器。
可沉淀动作:1. 立即审计当前评估流程,识别高成本环节(如全量检查点评估)。2. 引入tinyBenchmarks或Flash-HELM思想,建立自己的分层评估库。3. 关注智能体评估工具(如HAL),参与相关开源项目以降低未来成本。4. 在团队内部分享评估成本意识,推动以“每分钱有效信息”为KPI的评估文化。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
趋势解读:AI evals are becoming the new compute bottleneck,提升开发者接入体验主要讲什么?
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。
这篇文章最值得关注的要点是什么?
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…;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
这篇文章和哪些AI专题相关?
它适合放在Agent工作流、AI工具、AI超级个体专题里阅读。 关联原因:这篇内容命中「Agent、智能体、工作流」等主题信号。;这篇内容命中「自动化、模型」等主题信号。;这篇内容命中「技能」等主题信号。
阅读这篇文章建议先理解哪些关键词?
建议先理解AI工具、工具、自动化、模型、Cursor这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。