猫眼电影记者 綦江区 报道首次登录送91元红包

我们经常在一些对比 AI 性能的测试中，看到宣称基础模型在自然语言理解、推理或编程任务等性能超人类的相关报道。

但你有没有想过，这些结果真的可信吗？

在近期的一项研究中，美国哈佛大学研究员魏来（Kevin Wei）与合作者指出，目前人类基准测试（Human Baselines）的严谨性和透明度存在一系列严重问题，这直接关系着相关测试中关于 AI 性能的结论是否“立得住”的问题。

为此，研究人员对基础模型评估中人类基线方法提出了相关的改进建议。与此同时，为全面梳理当前评估方法的短板，他们还系统回顾了 115 项人类基线研究。

相关论文以《立场：模型评估中的人类基线需要严谨性和透明性》（Position: Human Baselines in Model Evaluations Need Rigor and Transparency）为题发表在 ICML 2025（The Forty-Second International Conference on Machine Learning）[1]。

图丨相关论文（来源：ICML）

长期以来，人类基准测试作为 AI 领域评估模型性能的重要工具，直接影响着对 AI 基础模型表现的判断，尤其是为 AI 达到超人类的水平相关结论是否可靠提供关键参考。

魏来目前的主要研究方向是 AI 评估测试，致力于将安全测试的系统做得更安全，以及将相关机制做得更好。他对 DeepTech 表示：“我们在研究过程中发现，当下很多声称模型达到超人类性能的研究，其人类基线评估方法不仅严谨性不够，透明度也不足。这会导致人类和 AI 性能的比较缺乏可信性。”

图丨魏来（来源：魏来）

人类基准测试结果是否可信关系着对系统层级的理解，以及对人类的层级准确比较。相关结论不仅影响着机器学习社区、相关用户和政策制定者，还与 AI 是否能代替、如何替代人类工作等社会和经济问题密切相关。

表丨基线设计与实施项目（含数据填补）的汇总统计（来源：ICML）

研究人员发现，在以往研究中最大的问题是所选取作为基线缺乏代表性，或在进行基线测试时，为基线测试人员和网络系统提供的信息存在差异：要么对二者所提出的问题不同，要么在某些方面存在差异，使得二者之间难以进行有效比较。

让人意外的是，只有 59% 的基线使用与 AI 相同的测试集。举例来说，某个数据中有 1,000 个样本，然后研究人员可能仅从中选 50 个样本作为基线，再将这 50 个人类的层级与 1,000 个 AI 系统的场景做对比。

除此之外，人类基线的样本量普遍不足也是极为重要的问题，这会导致无法据此判断这一结果是否能够代表更广泛人群。其中，以单个测试题目计算，人类基线的回应者人数中位数仅有 8 人，远低于科学研究的可靠性要求。

另一方面，伦理审查报告方面，只有 14% 的论文报告了伦理审查，其中大部分研究并没有公开测试方法、参与者信息和数据分析代码。在统计检验使用方面的问题同样严重，进行统计检验的基线只有 8%。

“我们发现，这种在人类基准测试过程中普遍存在信息不透明的做法，在影响结果可重复性的同时，也很有可能存在潜在的偏差。”魏来表示。

（来源：ICML）

基于对测量理论和 AI 评估文献的分析，该团队提出了一个新的框架来改进相关问题，其涵盖五个阶段并在每个阶段给出了相关建议。

具体而言：

·设计与实施（Design&Implementation）：选择一致且具有代表性的测试集，迭代基线工具，收集足够大小的样本和满足伦理要求；

·招募（Recruitment）：指定感兴趣的人群，选择适当的抽样策略，在招募过程中采用质量控制；

·执行（Execution）：在执行过程中采用质量控制，控制方法效应，控制人类和 AI 的努力程度，收集定性基线数据（例如解释）；

·分析（Analysis）：量化人类和 AI 表现之间的不确定性，确保评估指标、评分标准和评分方法的一致性；

·文档化（Documentation）：报告方法和基线样本的详细信息，采用开放科学和可重复性标准。

根据相关建议，在设计人类基线时，可采用更科学的方法来确保公平性和准确性。例如，研究人员借鉴了包括心理学、经济学、政治学等在内的多学科知识，为 AI 和人类性能的比较提供了新的视角。研究还强调了透明度的重要性，指出基于详细的记录和报告，可促进研究结果更可信。

研究人员将这些建议整合成一份清单，并在此基础上系统性地回顾了 115 项基础模型评估中的人类基线研究。这项研究不仅梳理出当下人类基准测试方法中存在的不足，同时也为未来研究特别是数学领域 AI 技术的评估指出了改进方向。

参考资料：

1.https://openreview.net/forum?id=gwhPvu97Gm

运营/排版：何晨龙

  时事1：九游会注册彩金

  12月24日,残特奥会越野滑轮比赛在广州收官,尤其是温州，在今年“新春第一会”上，温州正式擂响冲刺“双万”城市的战鼓，陆续出台《温州市2024年一季度“促消费、扩投资、稳生产”十大行动方案》《温州市“比拼一季度、冲刺开门红”投资攻坚行动方案》，清单化推进重大项目实施。,世界杯买球ga68殿me。

  12月24日,洪水和山体滑坡已致印尼超600人遇难,（观察者网 讯）招募难一直是近年来困扰日本自卫队的重大问题之一，日本官方也一直为此寻求解决办法，日本防卫省甚至将主意打到有文身人员的头上。,188bet好玩吗?,美高梅体育充值,亚星登陆平台。

  时事2：体彩网上投注网站

  12月24日,患者成素材？医疗科普泛娱乐化不可取！,其三，根据国际货币基金组织（IMF）等的界定，官方储备资产主要包含外汇储备、黄金储备（特指货币黄金）、特别提款权（SDRs）和在基金组织的储备头寸。黄金ETF作为一种证券化投资产品，不在此列。,凤凰彩票平台网址官网,手机365体育,体育彩票在线购买。

  12月24日,因“健康原因” 尼日利亚国防部长辞职,不过，从旅游收入来看，郑州与杭州（1705亿元）、青岛（1910亿元）相当，但是远低于成都（3700亿元）、西安（3350.39亿元）。这一定程度上也反映出，郑州旅游业具备较大的提升空间。,手机彩票大平台下载,ag娱乐旗航厅,bet356亚洲版体育。

  时事3：沙巴体育官方app

  12月24日,重庆：近80幅美术作品亮相 展示中国传统山居哲学与现代人居环境,#高考为什么总下雨#[今年高考又又又又下雨…真有高考下雨“魔咒”？[思考]]今天，2024年高考开始了。回顾历年高考，下雨往往是考生们最担心遇上的天气，尤其对南方一些地区而言，高考下雨，甚至大雨、暴雨的“魔咒”总是如影随形。而今年，这个下雨“魔咒”可能又要命中了……,电玩真钱大厅,威尼斯人手机登录界面,ayx在线注册。

  12月24日,全国知名民企助力湖南高质量发展大会在长沙举行,5月16日晚，国家主席习近平在中南海同俄罗斯总统普京举行小范围会晤。,葡京体育怎么注册,m6米乐好玩吗?,?2平台。

  时事4：AG是真的吗

  12月24日,港大研究证实太极拳可治疗慢性失眠,中国推行高水平对外开放，一大重点是通关便利化，而相关税收便利征管经验也写入此次关税法二审稿。,正规买球十大平台,fg捕鱼输了好多钱,网络赌城中心。

  12月24日,中新人物丨任嘉伦：我无数次梦到自己还在打乒乓球,在浙江，全省60所本科高校中，杭州独占28所，宁波、温州、嘉兴、绍兴和金华分别有8所、6所、4所、4所、4所，而南部片区台州、丽水、衢州均仅有1所。全省23个“双一流”学科，则有21个都落在浙江大学。,真人示范发音 app 国际音标,澳门威斯尼斯人wns8336app,杏彩注册。