TIDE（Tree‑Induced Diagnostic Evaluation）将诊断评估重新表述为行为驱动的决策树归纳过程，以实现对大语言模型（LLM）能力的细粒度诊断。核心思路是递归构建一棵层级化的能力树：在每个节点，LLM 评审器会提出若干候选划分方案，并对基准样本进行分组分类；随后利用基于模型行为的信息增益（information gain）挑选最能区分样本的划分。整个过程持续迭代，直至形成覆盖所有样本的树结构，每个叶节点对应一种具体能力子集。
我们在四个公开基准上对五个模型（包括 Claude Opus 4.6 与 GPT‑5.4）执行 TIDE，结果揭示了聚合分数难以捕捉的细节差异。例如，Claude Opus 在微观经济市场推理上取得 100% 正确率，而 GPT‑5.4 为 83.3%；但在合同法推理上 Claude Opus 仅为 77.8%，落后于 GPT‑5.4 的 88.9%。这些对比在传统的整体准确率或通过率中完全不可见。
TIDE 的优势在于：
- 直接利用模型输出的行为信号，无需额外标注；
- 通过信息增益自动发现最具区分力的能力维度；
- 生成的能力树可视化后帮助研究者定位模型强弱点。
未来工作可以将 TIDE 扩展到历史基准以及新出现的评测任务，使评估结果中的丰富行为信息得到充分利用，以指导模型研发和安全评估。
点评