一句话看懂：Google DeepMind 正尝试用密码学方法解决 AI 基准测试的“泄题”问题——通过“双重盲测”协议，让外部评测机构无需交出测试题目、AI 公司也无需交出模型权重，就能完成对前沿大模型的可信评估。这项技术若能推广，将直接影响未来大模型的能力排名和安全性审查方式。
事件核心：发生了什么
Google DeepMind 于 2026 年 8 月 28 日宣布，正与新加坡 AI 安全研究所等合作伙伴共同启动一项试点项目：对一款 Gemini Flash Lite 系列模型进行首次“双重盲测”评估。该方案的核心是借助 Google Cloud 的机密计算产品 Confidential Space，构建一个密码学“箱子”——外部测试数据集和模型权重都被加密锁定，评测方无法看到 Gemini 的权重，Google 也无法提前看到测试题目。
此举直指 AI 评估领域的“基准污染”问题：如果模型在训练阶段已见过测试题，那么无论得分多高，结果都不可信。传统上，高敏感度的外部评测往往要求评测方交出题目，或要求模型提供方交出权重，两者都有巨大风险。Google 称，新的技术方案能在不暴露任何一方核心资产的前提下，完成可验证的独立评估。
为什么重要
这不仅是技术细节的改进，更触及 AI 行业信任体系的结构性矛盾。此前 Anthropic 的 Fable 5 模型在 ARC-AGI 基准上的评估被拖延，正是因为 Anthropic 对最强模型执行 30 天数据保留政策，导致评测方无法放心提供题目。这类博弈在未来会越来越频繁——随着模型能力逼近人类专家水平，安全测试和监管审查将大量依赖高敏感度数据（如网络攻击载荷、生物设计信息），而这些数据绝不能提前泄露给模型提供方。
DeepMind 的方法试图用“密码学证明”替代“合同信任”，让独立机构可以在不交出数据主权的情况下，对闭源模型进行严格检验。如果这套体系成熟，可能成为行业新的默认评估标准，改变目前各大模型榜单的信任格局。
对用户/开发者/创作者的影响
对于普通用户而言，这项技术最直接的影响是未来模型评测结果的可信度提升——你看到的“性能排名”将更少受到数据污染的干扰。对于开发者来说，如果你正在基于 Gemini 或其它闭源 API 构建应用，这套机制意味着上游模型的安全声明可能更经得起第三方验证，降低你在选型时的不确定性。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于企业采购方，尤其是涉及政务、金融、医疗等敏感行业的决策者，这提供了一种新的合规思路：可以在不完全开放内部数据的前提下，对候选模型进行深度安全测试。不过需要注意，目前这仍是试点项目，尚未成为主流供应商的默认能力。
值得关注的后续
后续可以观察三个方向：第一，Google 是否会将这套双重盲测协议开放为标准化服务，供其它模型提供方和评测机构使用；第二，竞争对手（如 OpenAI、Anthropic）是否会跟进类似方案，或采用不同技术路线解决同一问题——这将影响未来基准评测的行业格局；第三，该协议的实际效率如何，因为密码学验证通常带来额外算力开销，在超大规模模型评估中是否可持续，目前公开信息尚未给出详细成本数据。
