DX-Score 与认证

DX-Score General 套件

不同测试套件版本的结果不能混入同一次排行榜比较。已测试的方法版本、测试套件版本和排行榜 Baseline 版本会始终与记录关联，避免日后更新的 Baseline 在无提示的情况下改写历史结果。

测试用例级 1–5 分评分标准

每个测试用例获得 1 至 5 分，分数越高越好。

计算 DX-Score

模块平均分和总分按以下方式计算：

BenchDX 平均分 =
  3,000 个 BenchDX 测试用例的评分总和 ÷ 3,000

RobustDX 平均分 =
  3,000 个 RobustDX 测试用例的评分总和 ÷ 3,000

DX-Score = BenchDX 平均分 + RobustDX 平均分

• BenchDX 以两位小数显示为 x.xx / 5。
• RobustDX 以两位小数显示为 x.xx / 5。
• 两者之和以两位小数显示为 x.xx / 10。

读取评分和排行榜

公开排行榜根据综合 DX-Score 对具体模型版本进行排名。它不会把一个模型系列或机构的所有版本视为表现完全相同并进行整体排名。

DX-Score

BenchDX 和 RobustDX 模块平均分之和，也是默认的排行榜排序值。

BenchDX 平均分

固定 3,000 个 BenchDX 测试用例的 1–5 分评分平均值。

RobustDX 平均分

固定 3,000 个 RobustDX 测试用例的 1–5 分评分平均值。

已测试版本

排行榜条目所代表的具体模型或系统版本。后续版本需要生成独立结果。

锁定的 Baseline

用于解读排名和认证资格的指定模型群组及相关版本。当前 DX-Score 产品说明指出，该群组包含开源和商业模型；记录中的 Baseline 版本决定其准确成员。

认证等级

认证资格相对于记录中锁定的比较群组确定，该群组来自相同 DX-Score General 方法版本下的公开模型排行榜 Baseline。当前 DX-Score 产品说明指出，此群组包含开源和商业模型。

“P80”和“前 20%”是从相反方向描述同一边界：达到或超过第 80 百分位的结果优于至少 80% 的比较群组，因此位于群组前 20%。

从测试到公开记录

1. 01

   定义测试范围

   测试前固定主体身份、版本、配置、访问方式和预期部署边界。

2. 02

   运行固定套件

   按声明的 DX-Score General 方法和测试套件版本执行全部 6,000 个测试用例。

3. 03

   审核证据

   完成评分和基于风险的审核，并在私有测试结果中保留详细发现。

4. 04

   比较锁定群组

   按记录的排行榜 Baseline，与适用的锁定模型群组比较结果。

5. 05

   发布验证记录

   符合条件的结果会获得徽章等级和公开验证标识符，并与其测试范围和锁定版本关联。

验证记录展示什么

公开验证页面有意比私有评估结果更精简。当前公开实现会展示以下证书信息：

DX-Score General 记录使用 DX-Score General 套件、BenchDX + RobustDX 模块，以及签发方 DX-Score by AIDX。

证书状态与徽章等级相互独立。公开记录可以显示证书处于有效、暂停、撤销或已被取代状态。请核对当前公开记录，不要仅依赖复制的徽章图片。

证书范围与限制

DX-Score 徽章是一项测试证书。它验证 AIDX 已按照 DX-Score General 测试指定主体和版本，并依据锁定的方法、测试套件、Baseline 和声明范围签发记录中的徽章等级。

后续步骤