猫眼电影记者 向安乔 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1：4-香港神算

  12月25日,重庆荣昌：院落人居环境焕新 民族团结“生花”,斯坦巴赫一再表示，她“真心真意”欢迎邓肯，因为她相信“言论自由”的必要性；但她站在学生们的一边，对邓肯的出现引起的愤怒感到“不舒服”，还称他的言论是“令人厌恶的”“有害的”“从字面上否定了人性”。,im电竞电子网投。

  12月25日,赏雪新玩法？北京初雪游客带“皇帝”进宫看雪,国家统计局官网消息，4月份，全国居民消费价格同比上涨0.3%。其中，城市上涨0.3%，农村上涨0.4%；食品价格下降2.7%，非食品价格上涨0.9%；消费品价格持平，服务价格上涨0.8%。1­­—4月平均，全国居民消费价格比上年同期上涨0.1%。,d88尊龙官网网址,新开户送体验金平台,bbin新体育开户。

  时事2：竞彩外围软件下载

  12月25日,孟加拉国选举委员会：全国大选将于2026年2月12日举行,双方主张北极应继续成为和平、稳定、建设性对话和互利合作之地，不应给该地区造成军事政治紧张局势。,ROR官网买球,澳门新葡萄娱乐官网,365bet体育在线客户。

  12月25日,莫高窟特窟“空降”北京时代美术馆 新媒体作品带观众思考人生,与陈方清相同，总经理左凤高也同样来自中国信达，根据公开信息显示，其曾担任中国信达北京办事处的负责人。2009年信达财险成立后，他作为首任总经理，负责该公司的初创和早期运营。在2010年左右，他积极推动信达财险加入中国汽车流通协会并成为常务理事单位，致力于拓展车险业务并探索与汽车产业链企业的深度合作。,天博体育进不去,ob体育什么意思,威尼斯人推荐极致体验。

  时事3：世界杯售票黄牛网站

  12月25日,“湘超”决赛 永州队1:0胜常德队夺冠,“你好呀！”“跟我握个手吧！”……位于桐乡乌镇景区的昭明未来书院时，穿着春晚同款大花袄的机器人时而与游客握手，时而和大家挥手，为游客带来了别开生面的拜年体验，以创新方式传递新春祝福。,华纳国际官网注册,世界杯买球怎么看,球天下。

  12月25日,如何正确帮助轮椅人士？这些操作技巧要知道,在伦敦金属交易所（LME），铜价一度上涨0.9%，至每吨12031.50美元，延续了今年以来约37%的强劲涨势。特朗普可能对铜加征关税是推高价格的核心因素；随着全年美国进口量激增，其他地区的制造商被迫陷入一场“竞价战”以确保供应。,皇冠体育正规网进入游戏,澳门皇冠我们在这里等你,好玩的免费棋牌游戏。

  时事4：博成在线登录

  12月25日,南京大屠杀死难者国家公祭仪式在南京举行,普京感谢习近平主席热情款待，表示每次同习近平主席会面晤谈，我都很愉快。我们的交流很深入，也很有意义。我愿同习近平主席继续保持密切沟通，落实好我们达成的重要共识，确保俄中全面战略协作伙伴关系深入发展。,九州体育客户端下载,mg线上赌博,365bet手机版网址。

  12月25日,2026年汽车产业趋势怎么看？这些方面值得关注,这是2022年2月航天员叶光富在中国空间站演奏《月光下的凤尾竹》的“名场面”。时隔2年多，叶光富再次飞天，这次他将会带另外一种乐器前往空间站。,真人版天天诈金花,皇冠彩票官网下载,mg游戏送体验金。