泛化即稳定性而非准确性：LLM 的多轴评估

一项研究提出以稳定性为核心的泛化评估框架 SAGO，在单样本层面、多输入变体及多行为维度上衡量 LLM 对同一输入的行为变化，而非仅看基准准确率。结果显示，许多常用模型存在统计显著的泛化不稳定：没有模型能均匀泛化，行为轴捕捉到独立失败模式，跨数据集变化甚至可能逆转模型排名。该论文已被 NeurIPS 2026 的 TAE 研讨会接收。