根据推特用户God of Prompt的分析，将AI模型的temperature参数从0.7降低到0.3，在TruthfulQA评测中“真实”分数提升了17%，但这并未提升真实准确性，只是让模型更保守、更多使用“我不知道”等表述（来源：twitter.com/godofprompt/status/2011366460321657230）。这暴露了TruthfulQA基准测试的局限性，其主要衡量AI回答的保守程度而非实际准确率，对AI企业在实际业务中的表现评估和信任度产生重要影响。

根据推特用户@godofprompt的说法，创新的AI安全方法因缺乏公认的评测基准，常常难以发表。研究者提出新的评估AI真实世界危害的方法时，评审通常要求提供TruthfulQA等标准测试的结果，即使这些基准与新方法无关。这导致无法做定量比较的研究被拒，行业创新进展缓慢（来源：@godofprompt，2026年1月14日）。这表明开发新的AI安全基准具有商业潜力，有助于推动产业创新和应用落地。

据God of Prompt报道，泄露的AI安全研究同行评审邮件揭示了业界对于标准基准（如TruthfulQA）与现实危害减少之间的分歧。部分作者专注于实际危害减少指标，而评审更重视标准化测试。此分歧导致创新安全方法若未在主流基准上表现出色，可能难以获得学术认可。这为AI安全解决方案的商业化带来挑战，开发者若无法在公认基准上展现改进，即使实际效果良好，也可能被拒绝（来源：God of Prompt，Twitter，2026年1月14日）。

据推特用户God of Prompt（@godofprompt）指出，当前AI安全研究领域存在严重问题。2847篇论文主要关注于提升六项标准化基准测试（如TruthfulQA）的分数，但对模型欺骗、目标不一致、规范规避以及实际部署带来的危害等核心安全问题缺乏有效解决方案。行业将基准测试视为最终目标，而忽视了其作为工具的本质，导致AI安全研究在实际商业应用和风险防控方面成效有限（来源：Twitter @godofprompt，2026年1月14日）。