三星电子宣布推出 TRUEBench（可信真实世界使用评估基准），由三星研究院开发的用于评估 AI 生产力的专有基准。

“TRUEBench 的设计旨在通过不仅考虑答案的准确性，还考虑满足用户隐性需求的具体条件，从而实现切合实际的评估。”

公告称，TRUEBench 提供了一套全面的指标，用于衡量大语言模型 (LLM) 在实际工作效率应用中的表现。为了确保评估的真实性，它融合了多种对话场景和多语言条件。

TRUEBench 借鉴三星内部 AI 的生产力应用，评估 10 个类别和 46 个子类别中常用的企业任务，例如内容生成、数据分析、摘要和翻译。该基准测试基于由人类和人工智能共同设计和完善的标准，通过人工智能驱动的自动评估，确保评分的可靠性。

该公司表示，近年来随着企业采用 AI 来完成任务，衡量 LLM 生产力的需求越来越大。然而，现有的基准主要衡量整体表现，大多以英语为中心，仅限于单轮问答结构。

为了解决这些限制，TRUEBench 共包含 2,485 个测试集，涵盖 10 个类别和 12 种语言（包括韩语、英语、日语等），同时还支持跨语言场景。这些测试集检验了 AI 模型的实际解决问题能力，三星研究院使用的测试集长度范围从最短 8 个字符到超过 20,000 个字符，涵盖了从简单请求到冗长文档摘要的各种任务。

三星研究院通过人机协作验证评估项目。首先，人工注释员创建评估标准，然后人工智能对其进行审核，以检查是否存在错误、矛盾或不必要的约束。之后，人工注释员再次完善标准，并重复此过程以应用越来越精确的评估标准。基于这些交叉验证的标准，对人工智能模型进行自动评估，最大限度地减少主观偏见并确保一致性。此外，每次测试都必须满足所有条件，模型才能通过。这使得跨任务的评分更加详细和精确。