語言模型整體評估（HELM）

史丹佛提出的 HELM 把評估重新框定為一個矩陣，而非單一排行榜數字。它在眾多情境（問答、摘要、情感分析等）上跑眾多模型，更關鍵的是同時沿著眾多指標衡量——不只是準確率，還包括校準度、穩健性、公平性、偏見、毒性與效率——讓單一準確率數字所掩蓋的取捨並排可見。

其設計原則是明確與覆蓋。情境依任務、領域與語言組織；每個模型在標準化的提示協定下執行，使數字可比；而每個（模型、情境）的格子在適用處都以完整的指標套件量測。這套分類法讓落差可被稽核——你能看到某個準確率高的模型其實校準很差，或對乾淨輸入穩健卻在擾動下脆弱，而不是把這些全壓成單一排名。

整體性的廣度需要算力與策展成本，而指標權重終究是價值判斷——沒有標準方法能把七個面向壓平成單一排序。HELM 持久的貢獻與其說是一個分數，不如說是一種紀律：透明地回報眾多情境與眾多指標，讓讀者自行權衡對其用途要緊的面向。