猫眼电影记者 黄以孟 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1：万博官方manbetx登录

  12月27日,关键词读懂“十五五”｜“人工智能+” 为千行百业安装“智慧大脑”,中方坚决反对冷战式阵营对抗在本地区重演，坚决反对将地区国家当做霸权的工具和代理人。此次高官磋商期间，我明确表达了中方严正关切。中方支持东盟加强战略自主，愿同地区国家一道，坚持走共商共建共享的亚洲安全之路，坚定维护地区和平稳定。,365bet手机版官网下载。

  12月27日,智能网联新能源汽车全季冰雪试验基地落户呼伦贝尔,《华盛顿邮报》主持人询问斯托尔滕贝格，中国是否有可能在结束俄乌冲突的谈判中发挥外交作用时，斯托尔滕贝格表示，中国“尚未谴责俄罗斯”，但他欢迎两国领导层的对话，“因为欧洲发生的事情关系到亚洲，而亚洲发生的事情关系到欧洲”。斯托尔滕贝格同时宣称，如果“普京获胜”，所有人都会“变得脆弱”。,足球体育比分,e世博官网APP,mg游戏注册送分。

  时事2：和记娱乐在线登陆

  12月27日,广州虚拟电厂以创新形态保障城市电力安全,投中嘉川CVSource数据显示，今年以来中国CVC参与投资事件有1138条，占全年一级市场总投资事件比例为11.24%。不过目前的“独角兽”企业中，获得中国CVC投资比例高达33.07%，体现CVC模式较高的“命中率”。,最新赌场手机app,澳门永利最老登录入口,leyu乐鱼体育APP。

  12月27日,今年前10个月我国交通运输经济运行稳中有进,2018年11月，房文斌担任国任保险党委书记，彼时根据公开信息徐兴建职位仍为董事长。2019年4月，房文斌董事长任职资格获批，徐兴建卸任。,现金打鱼,幸运大转盘,捕鱼大师 bbin。

  时事3：手机买球APP下载

  12月27日,浙江宁波：上门听民情 让群众生活安心更暖心,“我们村前后也就两三个小商店，还有一个个人开的小茶场，没有什么企业，大部分人都在外打工，村里都是中老年人，哪有那么多个体工商户？”汪争猛说。,澳门皇冠游戏平台app,利发app,万博亚洲官网网页。

  12月27日,北京2027年世界田径锦标赛前期规划实地考察圆满收官,今年一季度，佛山GDP实际增速仅1.1%，不仅在广东21座地市中“吊车尾”，在26座GDP万亿城市中也惨遭垫底。,bob最新官网,百老汇现金官网网址,k8凯发。

  时事4：ag8真人官网

  12月27日,甘肃发布未来五年高质量发展“头号任务”,欧盟乘用车正常关税税率为10%，意味着上汽集团和其他不配合调查的企业面临的关税税率增至48.1%。其他企业的关税税率则在27.4%至31%之间。,电子篮球比分直播,新利体育登录入口,十博体育app下载。

  12月27日,沙县小吃旅游文化节开幕 以“烟火气”融两岸情,据其介绍，目前，重庆开发商通常会给两套价格标准，且都会写入购房合同。从执行结果来看，两套标准的房屋总价不变，套内单价高于建面单价。,a8体育在线,2026世界杯投注优惠,世界杯买球as83*me涮。