2026年8月27日，Google DeepMind公布全球首个针对闭源前沿大模型的双盲AI评测试点，聚焦AI安全、模型安全与隐私保护。评测的难点在于信任与保密：如果模型在训练阶段见过了测试题（即benchmark污染），评测结果的可信度就打折扣；而独立第三方想测试闭源模型，又不愿把自己的私有测试题交给模型提供方，也很难拿到对方模型权重。双盲评测试图通过加密的机密环境同时解决这两个问题，为AI审计与合规评估提供更可信的依据。本文从AI治理与安全视角解读。
双盲机制：评测方与模型方互不可见
在这套机制中，模型权重与推理代码被保护在可验证的硬件机密环境内，测评方的测试题与评测数据同样进入该机密环境；测评方看不到模型权重，模型提供方也看不到测试题。通过这种双向隔离，评测结果既难以被提前优化，也更适合作为独立审计与模型安全的评估依据。
技术底座：云机密计算与联合生态
本次试点依托Google Cloud Confidential Computing的Confidential Space能力，把大模型的推理与外部评测封装在受保护的硬件边界内。项目与新加坡AI安全研究所、OpenMined、AVERI以及MLCommons合作推进，首轮针对一款Gemini系列模型完成评测。对AI安全与治理实践者，这类基于机密计算的评估路径，为“无法交付权重”的闭源模型的第三方核验提供了一条可行通道。
对齐国际安全评估需求
双盲评测的价值在于回应AI监管与安全评估的现实需求：在模型安全、AI治理与合规语境下，独立、可信、可复现的评测是监管与采购决策的基础。通过把评测过程标准化并置于公正的机密环境中，可以减少对单一模型提供方自我报告的依赖，也为全球多中心相互认可的安全评估框架提供了技术参考。
对AI治理与安全团队的意义
对关注AI安全与AI审计的团队，DeepMind的试点提供了三条启示：其一，benchmark污染是可量化的风险，需要加密与隔离手段来防范；其二，机密计算可以把“评测信任”建立在可验证的硬件之上；其三，模型安全评估正在从内部自查走向可与第三方共建的标准化机制。
小结
Google DeepMind的全球首个双盲AI评测试点，是2026年8月末AI治理与安全领域的重要进展。它以加密机密环境实现了模型权重与测试题的相互隔离，为防范基准污染、支撑独立AI安全评估提供了新的方法样本。