当训练不再是最贵的那一步在大多数人的印象里AI研发的算力消耗主要集中在训练阶段——堆GPU、跑分布式、调超参。但过去一年一个新的成本中心正在悄悄浮出水面评估evaluation。HuggingFace近期发布的分析指出AI evals正在成为新的算力瓶颈。这个判断背后有一条清晰的逻辑链模型越来越强旧的基准测试越来越容易被刷穿于是评估体系不得不变得更复杂、更昂贵——而这个过程本身正在消耗掉越来越多的计算资源和工程精力。评估为什么会变贵基准饱和推动评估升级早期的语言模型评估相对简单跑一遍MMLU、HellaSwag、ARC几百道选择题几分钟出结果。但随着GPT-4、Claude 3、Llama 3这一代模型在这些经典基准上的得分逼近天花板**基准饱和benchmark saturation**问题变得无法回避。一个在MMLU上得90分的模型和另一个得91分的模型实际能力差距到底有多大这个问题很难从分数本身得到答案。于是社区开始转向更难、更复杂的评估任务长上下文推理、多步骤代码生成、开放域问答、Agent任务完成率……这些任务的共同特点是单次评估的计算量远高于选择题。LLM-as-Judge带来的递归成本另一个推高评估成本的关键因素是LLM-as-Judge范式的普及。传统评估依赖固定答案或规则匹配但对于开放式生成任务这种方式根本无法覆盖。于是越来越多的评估流程开始用一个强模型比如GPT-4o来评判另一个模型的输出质量。这意味着每一次被评估的推理都需要额外一次甚至多次评判推理。如果评估集有10万条样本每条样本需要一次judge调用成本就直接翻倍。更复杂的评估框架如多轮对话评估、多维度打分可能让这个倍数更高。Agent评估的组合爆炸当评估对象从单次问答扩展到Agent行为时成本问题进一步激化。一个Agent任务可能包含数十步工具调用每一步都需要模型推理整个轨迹的评估需要还原完整的执行环境。单个Agent评估样本的计算量可能是普通问答样本的几十倍。WebArena、SWE-bench这类Agent基准的兴起让跑一次完整评估从几分钟变成了几小时从几美元变成了几百美元。对于需要频繁迭代的研究团队来说这个成本已经开始影响实验节奏。这不只是钱的问题评估频率决定迭代速度在模型开发的实际流程中评估不是最后才做的事而是贯穿整个迭代过程的反馈机制。每次修改训练数据、调整RLHF策略、更换采样参数都需要跑一遍评估来确认效果。如果评估本身变得昂贵团队就会减少评估频率这直接拉长了从实验到结论的反馈周期。这是一个隐性的研发效率损耗。训练一个checkpoint可能只需要几小时但如果评估需要同样长的时间和同样高的成本整个迭代循环就会被拖慢。小团队和大团队的不对称评估成本的上升对不同规模的团队影响是不对称的。大型实验室可以维护专用的评估基础设施分摊固定成本而学术团队或小型创业公司往往只能在有限预算内选择性地跑部分评估或者依赖公开排行榜的结果。这带来一个结构性问题评估能力本身正在成为一种竞争壁垒。能够快速、全面、低成本地评估模型的团队在迭代速度上具有系统性优势。应对方向让评估本身更高效评估集压缩与自适应采样一个直接的思路是减少评估所需的样本量同时保持统计可靠性。自适应评估adaptive evaluation通过动态选择最具区分度的样本用更少的题目得到接近完整评估的结论。IRTItem Response Theory项目反应理论在教育测量领域已有成熟应用近年来也开始被引入AI模型评估。评估代理模型Eval Proxy另一个方向是训练专门用于评估的小模型替代昂贵的大模型judge。如果一个7B的评估模型能以90%的一致率复现GPT-4o的判断那么在大规模评估场景下成本可以降低一个数量级。这类eval proxy模型的训练和验证本身也是一个活跃的研究方向。评估结果缓存与增量评估对于模型迭代场景很多评估样本的结果在相邻版本之间不会发生变化。增量评估incremental evaluation只对模型行为发生变化的样本重新评估可以显著降低每次迭代的评估开销。这需要对模型输出进行细粒度的变更追踪工程复杂度较高但在高频迭代场景下收益明显。对开发者和行业的实际影响对于独立开发者和小型团队最直接的建议是在评估设计阶段就考虑成本不要盲目追求覆盖所有基准而是根据实际应用场景选择最相关的评估维度并在预算允许的范围内设计可扩展的评估流程。对于平台和工具链评估效率正在成为一个值得投入的差异化方向。能够提供低成本、高可信度评估服务的基础设施在未来的AI开发工具市场中会有明确的需求。从更宏观的视角看这个趋势也在重塑AI研究的资源分配逻辑。过去算力训练算力的等式正在被修正——评估、数据处理、推理服务这些非训练环节的算力消耗正在占据越来越大的比重。理解并优化这些环节是下一阶段AI工程化的重要课题。评估不是终点而是反馈循环的核心。当这个环节变得昂贵整个研发生态都会感受到压力。如何让评估既准确又高效是当前AI工程领域一个被低估但正在快速升温的问题。更多资讯请关注公众號「闻速视界」。参考来源原文《AI evals are becoming the new compute bottleneck》来源HuggingFace Blog发布时间2026年04月29日链接https://huggingface.co/blog/evaleval/eval-costs-bottleneck免责声明本文为基于公开资讯的原创解读仅供学习交流使用不代表原作者立场。文中涉及的产品名称、商标及版权归原权利人所有。如有侵权请发邮件至 919964299qq.com核实后将及时处理。