猫眼电影记者 刘敏郑 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：真摇钱树捕鱼

  12月22日,千根“脊梁”托举万吨水体 平陆运河世界首创省水船闸已具规模,一是苦练研究能力。“十五五”规划内涵丰富，每一句话都蕴含发展机会，以“投资于人”为例，既包含扩内需的内涵，也涉及无形资产、人力资本的长远价值，深刻理解其本质与趋势难度极大，需要持续深化研究；,2026世界杯开买球网站。

  12月22日,第三届中国侨智发展大会开幕 首批“侨智驿站”获授牌,4月30日，沪深交易所正式发布股票发行上市审核规则等9项配套业务规则。,mg游戏,永利手机版,2019可以买球的app。

  时事2：飞禽走兽技巧

  12月22日,中国成功研发新一代火星大气环流模式 首次全面模拟火星沙尘循环,中方敦促日方从双边经贸关系大局出发，及时纠正错误做法，共同维护全球产业链供应链稳定，中方将采取必要措施，坚决维护企业正当权益。,澳门新葡萄牙网站,age漫画官网入口,赌博的网页。

  12月22日,2025年终经济观察丨破除卡点堵点 纵深推进全国统一大市场建设,在这样的背景下，AI与电商成为快手押注的未来，而AI业务的表现不负众望，在今年下半年成为拉动公司增长的新动力。,澳门太阳网站下载,红心游戏,云顶娱乐游戏网站。

  时事3：篮球赌注app

  12月22日,一年制“非转海”天津试水 航运紧缺岗位添“快通道”,泽连斯基在英国议会讲话时继续呼吁伦敦提供先进战斗机，“自由会赢，我们知道俄罗斯会输。”他在威斯敏斯特大厅对一群英国议会议员以及官员说，英国与乌克兰会一起走向“我们一生中最重要的胜利”。,快乐抢庄牛牛,幸运28网站,伟德国际娱乐真人游戏。

  12月22日,彭博报告：人工智能战略将推动中国生产力提升,个险渠道受行业“清虚”和“报行合一”冲击，渠道成本控制和产能提升压力大。,manbetx手机注册登录,宝马会外围官网,千亿国际唯一官方网站。

  时事4：AG旗舰平台尊龙

  12月22日,香港特区政府官员与立法会候任议员交流 盼施政更贴近民意,基于这样的分销渠道方法，传音在非洲建立了规模庞大的线下网点，甚至在沙漠部落都能找到“手机维修点+充电站+话费充值”三合一站点。而国内其他手机厂商都更善于同连锁经销商、运营商和电商渠道打交道。,爱玩体育官网登录,视讯真人游戏官网,金莎娱乐电子游戏网。

  12月22日,扎哈罗娃：就乌克兰问题谈判俄方立场无意让步,LeoLabs5月9日在推特上发帖称：“自2022年8月4日发射以来，我们观察到多次提高飞航天器轨道高度的大型演习，以及重复部署、编队飞行和卫星物体J（NORADID 54218）的对接的有关动作。我们已经确定，测试航天器2（指可重复使用试验航天器）具有推进能力，并与目标J进行了近距离操作，包括至少两次或可能三次捕获/对接操作。”,BOB网页版,伟德体育平台开户网址,天亚娱乐2网址大全。