（问题）大型语言模型正加速进入医疗、金融、公共管理等领域，如何评估其安全性成为关键课题；旧金山多家机构的研究团队在最近发布的论文中指出，当前的评测体系存在一个普遍问题：过度依赖总体指标如准确率、通过率等，导致少量但严重的异常输出被整体"好成绩"所掩盖。研究认为，这类低频但极端的失效一旦出现在关键环节，可能造成重大社会伤害，是亟待关注的风险。
人工智能是把双刃剑，其安全性直接关系到公共利益。SHARP框架提醒我们——在肯定AI整体能力的同时——更要警惕其潜在风险。从关注平均表现转向关注极端表现，这个简单的视角转变反映了AI治理思想的重要进步。只有建立更科学、更严格、更全面的评估体系，才能让人工智能真正成为造福人类的工具。这项研究为全球AI安全评估的完善提供了有益参考，值得业界推进。