自然语言推理系统在标准测试集上分数很高，一换数据就露馅。Adversarial NLI 就是冲这个问题来的：它是一套由人类对抗性收集的自然语言推理样本，用来检验模型在分布偏移下的文本推理是否真的稳。

它测的不是分数，是抗压能力

打开网易新闻 查看精彩图片

这套基准的定位很明确——对抗性收集。样本不是从现成语料里随手抽的，而是由人主动去构造、去挑刺，专门找那些容易让推理系统翻车的例子。它要回答的问题只有一个：当输入分布发生变化时，模型的文本推理还站不站得住。

换句话说，它把评测的重心从"答对多少"挪到了"换个环境还答不答得对"。分布偏移在这里不是意外，是设计前提。

为什么"对抗"两个字是关键

常规基准的样本分布相对固定，模型只要拟合得够好，分数就能上去。但真实使用场景里，输入不会乖乖待在训练分布里。Adversarial NLI 用人类对抗的方式把这种偏移提前暴露出来，让鲁棒性变成可测量的东西，而不是一句口号。

它的价值不在于给出一个新分数，而在于提供了一种压力测试的思路：让人类去当那个最难缠的对手，看系统能扛到第几轮。