# TAE可信AI评估审计层

VLMEvalKit新增审计层，复用已完成的评测逐题输出并加一次去图重跑，在MMStar上测得20.2%的题目图像不带来平均准确率增益，扣除逐题置换零假设后仍超出。

VLMEvalKit新增审计层，复用已完成的评测逐题输出并加一次去图重跑，在MMStar上测得20.2%的题目图像不带来平均准确率增益，扣除逐题置换零假设后仍超出。

作者提出一个进化框架，用LLM迭代生成并精炼自然语言二值特征（rubric），再由LLM对样本打分、训练逻辑回归等透明分类器；在AG News、GoEmotions与HELOC三个基准上，进化特征比单次生成rubric平均提升+2.9个百分点，并在三个任务中的两个上超过零样本LLM直接分类，其中HELOC上零样本LLM仅50.7%（接近随机且强烈偏向单一类别），而进化特征达到69.0%且各类别预测均衡、决策逻辑可审计。

作者提出一个进化框架，用LLM迭代生成并精炼自然语言二值特征（rubric），再由LLM对样本打分、训练逻辑回归等透明分类器；在AG News、GoEmotions与HELOC三个基准上，进化特征比单次生成rubric平均提升+2.9个百分点，并在三个任务中的两个上超过零样本LLM直接分类，其中HELOC上零样本LLM仅50.7%（接近随机且强烈偏向单一类别），而进化特征达到69.0%且各类别预测均衡、决策逻辑可审计。