能力是否会转化为主观行为——我们的仪器会告诉我们吗？自我进化、构建信任的评估范式

基准测试已经成熟，答案是可验证的——数学、代码、推理——但 LLM 增长最快的用途是主观的、面向人的：陪伴、情感支持、咨询。在那里，将度量与人类判断相关联的默认有效性测试没有稳定的锚点：评估者之间的一致性很低，由注释者身份构成，几乎不可重复，并且存在长度偏差。因此，我们无法回答重要的问题：基于客观基准的能力是否会转移到主观行为，我们的工具是否会告诉我们是否没有转移？我们为这个政权建立了一个工具，并报告它在边境揭示的情况。首先，我们贡献了一个自我进化的工具，它在乘法反游戏适应性下选择并创造自己的行为维度，当它停止改进时会自我停止；其次，一种基于构建的信任范式，通过在没有人类黄金标准的情况下建立的三个证书来赢得信任，其中人类评估者饱和（rho ~ 0.45）；第三，它的发现是显而易见的——能力转移是可分离的。在 49 个模型、8 个系列和 24 个月中，主观行为是客观基准缩放无法延续的地方：最尖锐的情况，建议限制（知道何时不提供建议），是前沿的普遍最低维度，在 gpt-4.1->gpt-5 处，它向后运行，而总分隐藏了它——一种指令恢复的回归。温暖约束是通过模型生成来移动的，而不是通过原始规模、MoE 宽度、推理预算或推理模式来移动；开放权重帕累托前沿与封闭式旗舰产品相匹配，每次调用成本降低约 10-80 倍；四个法官家庭在进行的人类 ESConv 对话中复制了该标题。数据、代码、锁定的评分标准和判断提示将在发布后发布。