这篇论文系统性地研究了AI模型红队评估（red-team evaluations）的证据局限性问题。作者定义了一个名为“证据上限”（evidential ceiling）的概念，即在固定测试预算下，单一评估结果能使信念发生改变的最大倍数。通过为基准零结果（benchmark null result）推导出封闭形式的表达式，论文精确界定了评估能够支持哪些主张、不能支持哪些主张的界限。研究发现，当危害率高于某个可计算的阈值时，一个中等规模的基准测试就能以规定的证据标准证明某类危害是可控的，此时“无发现”（clean sheet）是比“单次复现失败”更强的观测结果。相反，当危害率低于该阈值时，在固定评分规则和近似独立试验结构下，任何实际规模的被动基准测试都无法提供指定的安全性证据。两个区域之间的转换具有封闭形式。该界限不仅适用于基准测试，通过将结果表述为程序假设条件引发率（hypothesis conditioned elicitation rates），它同样适用于自适应和自动化红队，并表明证据价值取决于对假设的区分能力而非攻击成功率。作者利用该界限审计了八个评估套件，发现当前基准对于高频危害类别是足够的，但对于罕见的灾难性危害，证据能力还差几个数量级。论文强调安全性基准并非无信息，而是关于一组具体且可计算的命题具有信息性，它们需要的纪律是明确陈述这些命题。适合AI安全研究者、红队评估人员及政策制定者阅读。