归一化得分

英文：Normalized Score　分类：eval

基本释义

将不同基准的原始得分映射到统一尺度（0-100 或 Z 分数）的得分，便于跨基准、跨模型比较，消除各基准满分与难度差异。

技术要点

方法：线性缩放（按基准满分/区间）、Z-score（相对均值标准差）、排名百分位、加权汇总（综合榜）；注意：归一化参数需固定（防止刷榜）、不同加权反映不同能力侧重。

应用场景

用于综合能力榜（多基准合并）、跨语言/跨领域对比、采购评分卡与模型版本对比；归一化得分是"可比较性"的换算层。

返回AI百科目录 · AI最前沿首页

相关词条：大模型评审 · 聊天机器人竞技场 · 数据治理 · 排行榜 · 统计显著性