Auditing（审计）在人工智能领域指通过系统化的检测与对照实验，验证模型或智能体的能力、数据使用和评测结果是否真实可靠的一类研究方法。随着大模型与智能体能力的快速提升，传统基准测试的分数越来越难以直接采信，auditing 正从辅助工具演变为 AI 可信度研究中的一个独立方向。
Auditing 的近期研究进展
近期研究呈现出从"单点验证"走向"系统性审计"的趋势。在评测可信度方面，《Measurement-First Auditing of Agentic Leaderboards: Contamination Susceptibility, Matched-Control Re-evaluation, and Scorer Validation》提出以测量优先的框架审计智能体排行榜，重点检验数据污染易感性与评分器有效性。
针对模型自我改进声明的真实性，《Phantom Gains: Auditing Self-Improvement Against a Measured Null》引入"测量的零假设"作为对照，揭示所谓自我提升可能只是相对于未设基线时的幻象收益；《MC-EvoBench: Auditing Experience-Driven Self-Improvement in Minecraft Agents》则用 Minecraft 环境检验经验驱动的自我改进。
在数据与时序合规方面，《Auditing Future-Memory Use in Point-in-Time Language Agents》检测智能体是否违规使用了"未来信息"，《inLoRA-MINT: Internal Representations for Auditing Training Data in Domain-adapted LLMs》则借助内部表示追踪领域适配模型的训练数据来源；《LeakBench: Auditing Reward Hacking through Prediction-Time Leakage in Clinical Modeling Agents》关注临床建模智能体在预测时点发生数据泄漏导致的奖励作弊。
此外，《Auditing Question-Order Effects in LLMs with the QQ Equality》利用等式一致性检验问题顺序对模型输出的影响，《ClaimScope》《WorldAuditBench》分别将 auditing 扩展到数学声明验证与交互式 3D 世界场景。
当前焦点与观察点
当前 auditing 研究的共同关切是：在没有可靠基线与严格对照的情况下，模型能力报告可能系统性偏高。污染检测、时序泄漏、评分器偏差和自我改进的幻象收益，构成了四大核心审计对象。
值得关注的争议点在于审计方法本身的标准缺失——不同论文采用不同的零假设与对照设计，审计结论之间的可比性尚无共识。未来观察点包括：审计框架能否被主流排行榜采纳为前置要求，以及审计工具是否会对智能体系统的发布节奏形成实际约束。