Google DeepMind 8 月 27 日公布了一次双盲模型评测试点，作者是 William Isaac、Sol Messing 和 Kristian Lum。被测对象是一个 Gemini Flash Lite 模型，官方称这是全球第一次对专有的前沿级模型做双盲评测。
要解决的问题是基准污染。公开基准和数据集越铺越大，一个模型是不是在没见过的题目上被测，越来越难说清。以往的高风险外部评测只有两种妥协，评测方交出题目，或者模型方交出权重。零日志协议和合同约束早就有了，这次加的是技术和密码学层面的强制。
实现方式是 Google Cloud 机密计算里的 Confidential Space。官方给的保证是双向的，评测方看不到 Gemini 的模型权重，谷歌看不到评测方的测试提示词。配图标注的是一套七步流程，模型所有方和评测方通过一个 GPU 飞地交互。
参与的外部机构是新加坡 AI 安全研究所、OpenMined、AVERI 和 MLCommons，文章没有说明哪家跑了哪一项测试。定量结果不在这篇里，被放到另一份技术报告中。机密基准的身份和内容按设计不公开。这套做法会不会推广到其他模型或更大的 Gemini 版本，官方没有说，也没有给标准化路径和时间表。