猫眼电影记者 张吉晴 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：ManBetX手机网页版

  12月27日,香港入境处为大埔火灾受灾民众补办身份证件,检查组指出，湖北、湖南、江西三省防汛任务繁重，是长江中下游的防洪重点区域。据预测，今年汛期全国气候状况总体偏差，极端天气事件偏多，特别是长江中下游可能发生较重汛情，三省防洪抗旱体系仍有一些薄弱环节，防汛抗旱形势复杂严峻。,皇冠球盘app。

  12月27日,菲律宾央行降息至4.50% 为三年来最低水平,（2）12月26日逆周期因子为323pip，逆周期因子延续为正，说明央行在引导人民币升值的斜率；,易博最新登陆网址,网上银河网,正规棋牌游戏网站。

  时事2：D3体育

  12月27日,新闻观察：战争创伤未愈 冲绳民众反抗美基地难破局,双方认为，为稳步解决乌克兰危机，必须消除危机根源，恪守安全不可分割原则，兼顾各国合理安全利益和关切。,365bet体育官网手机版ios版,最新澳门网址大全,百老汇平台注册。

  12月27日,人民网评：从“惩戒”到“修复”，信用治理更精准,双方反对美国及其盟友在军事领域的威慑行径、挑动同朝鲜民主主义人民共和国对抗及可能引发的武装冲突而加剧朝鲜半岛局势紧张。双方敦促美国采取有效措施缓解军事紧张局势并塑造有利条件，摒弃恐吓、制裁和打压手段，推动朝鲜及其他有关国家在相互尊重和兼顾彼此安全关切的原则上重启谈判进程。双方重申政治外交手段是解决半岛所有问题的唯一出路，呼吁国际社会支持中俄具有建设性的共同倡议。,下载手机彩票大厅,立博免费试玩,bet9九州手机入口。

  时事3：九游平台网址

  12月27日,600名民建全国优秀会员等受民建中央表彰,海军某导弹快艇大队 李绪鹏：涌浪比较大，整艘艇晃动厉害，抓取目标过程中又是横浪，我必须在有限的时间内，完成对目标的跟踪抓取、参数调整、校对射击等操作。目的就是在编指规定的时间内完成对目标的摧毁。,澳门新莆京娱乐场,leyu乐鱼客户端下载,世界杯足球让球。

  12月27日,北京初雪“定档”，还将“附赠”降温大风天气,12月27日，圣元环保收到厦门证监局出具的《厦门证监局关于对圣元环保股份有限公司、朱煜煊、朱恒冰、陈文钰采取出具警示函措施的决定》。,365体育外围,永乐国际乐在其中F66,九游会登录网站吗。

  时事4：AG网络平台能ip追杀吗

  12月27日,国家电网今年建成投运4条特高压直流工程,施正文表示，目前海关除了征收关税之外，还代征进口货物增值税、消费税。目前在海关法、增值税等其他法规中，已经明确了海关代征的进口货物增值税、消费税，适用关税征收管理规定，而不适用于税收征管法。草案二审稿对此再度明确，更为合理。,官方棋牌,AG真人环亚,果博娱乐官网。

  12月27日,五国剑客长安亮剑 “体育+文化”解锁融合之道,以BSP和CBU为例，中央银行直接从本地生产中购买黄金的流程通常包括以下几个步骤：,AG真人注册App,韦德体育注册,必威首页地址。