猫眼电影记者 梁汉文 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：开云体育下载

  12月27日,印尼苏门答腊洪灾已造成600余人遇难,4月28日晚，四川达州州河拦水坝附近1名群众游泳时溺水，2名救援人员在救援过程中翻船落水。,天博体育sports。

  12月27日,户外探索纪实节目《探索新境》第二季开播,五矿证券等机构普遍认为，锂盐价格经过2023-2025连续三年下跌后，行业资本开支大幅降低，2026到2028年锂行业供给增速下降确定性较强，加之需求侧储能等环节景气的明显提升，行业供需正在从失衡转为紧平衡格局。,im电竞线路检测,体球网手机版,OD竞彩官网。

  时事2：八方体育登录入口

  12月27日,湖南沅江创新轮作模式 冬日龙虾促农增收,“要优化旅游业结构，尽可能提升对发达地区的游客，以及国外游客的吸引力。深度挖掘我们的文旅资源，打造具有独特性的文旅产品和服务，不断提升其附加值，进而解决当地旅游业游客多、收入低这样一个矛盾。”他说。,艾弗森贝博ballbet体育,云鼎网络游戏,体育资讯网网站。

  12月27日,历史影像｜第十世班禅大师转世灵童的金瓶掣签仪式现场,海默尼药业药品研发中心负责人冯秀梅博士则围绕新周期下创新药的BD情况进行了分享，结合自身实践案例，回顾了国内创新药BD的历史和变化，并就创新药BD的项目筛选、项目尽调评估、交易方式等进行专业分享，为在场企业提供了面向国际化 2.0 阶段的策略参考。,澳门新葡最新网站,必发在哪注册,365平台被黑怎么办。

  时事3：AG真人旗舰厅

  12月27日,贵州：加强新就业形态劳动者权益保障 发挥司法职能“稳就业”,汪绪良向村里申诉后，村委会帮忙去镇工商所注销了汪绪良的工商信息。但2023年，汪争猛的母亲赵和梅做心脏搭桥手术花了20多万，家里想申请重大疾病补助金，到村委会申请时，又发现“家里有营业执照”，不符合条件。,英皇娱乐入口,微球体育官网下载,历届世界杯用球在哪买。

  12月27日,教育对口支援新疆工作会议在乌鲁木齐召开,[环球时报报道 记者 倪浩]8月3日，郑钦文夺得2024巴黎奥运会网球女单冠军，实现中国选手在该项目上的历史性突破，也点燃了民众参与网球运动的热情，网球热度随之大涨。接受《环球时报》记者采访的专家认为，体育明星与体育经济会形成正向反馈：体育明星的示范效应会提振相关体育产业、吸引更多人参与到运动中来，大众的广泛参与则会成为“未来明星运动员”诞生的基石。,巴黎人信誉手机,炸金花10元入场,真钱手游网址。

  时事4：kb体育平台官网

  12月27日,民众参观中国人民抗日战争纪念雕塑园,其一，降低对传统金融系统的依赖，可以增强黄金储备的自主可控性。过度依赖以伦敦和美元为核心的体系，可能在地缘政治紧张时带来风险。通过国内采购和双边协议，可以增强黄金储备的自主可控性。对于可能面临国际金融体系限制的国家，建立独立于传统体系的购金渠道，具有重要的战略安全意义。,十大信誉赌城,赛酷体育官网,澳门皇冠游戏网址。

  12月27日,上海博物馆推出海派旗袍主题展 张信哲个人收藏参展,“目前主要观点比较集中，基本设想就是从山东蓬莱经长岛至辽宁旅顺，以海底隧道或桥隧结合的方式，建设直达的快捷通道，化天堑为通途。这样就形成了纵贯东北到东南沿海的东部交通大动脉，极大地改善了东部的交通和物流环境。”梁启东告诉中国新闻周刊。,优德体育,亚博苹果版,全民诈金花豪华版。