AI基准测试的可信度正面临来自自动化审计的直接挑战。UC Berkeley团队构建了一套全自动AI Agent，用于系统性地排查基准评测中的漏洞。

该Agent对13个被广泛使用的基准展开审计，最终识别出45个作弊方案。这些方案的核心特征是：无需真正解题，即可在评测中获得满分。

审计结果显示，全部13个基准均被评定为critical风险等级。研究团队进一步将发现的攻击手法归纳为16种类型，覆盖了当前基准评测中的主要薄弱环节。

这一结果意味着，依赖上述基准得出的模型能力评估可能被高估。对于AI行业而言，基准审计的自动化与常态化，或将成为保障评测有效性的必要环节。