猫眼电影记者 潘耀瑶 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：AG8亚洲国际游戏集团

  12月29日,女子中巡锦标赛落幕 石昱莉赢个人首冠,比较典型的案例是，中国商业用金市场形成了一个由不同供应商建立的庞大托管系统。,世界杯线上购买额度。

  12月29日,云南石林人参果综合产值45亿元创新高,其二，央行储备调整的资金量对以黄金ETF为代表的二级市场，容易产生巨大的价格冲击。实物黄金的大宗交易（如通过伦敦金银市场协会LBMA）有成熟的场外交易机制，更适合机构间的巨额转账。,澳博体育平台,米乐6m,用什么下注世界杯。

  时事2：天博在线登录克罗地亚网页

  12月29日,东航C919国产大飞机首次执飞高原机场定期航线,曾文莉说，“要发展网球经济和其他体育经济，我们要思考一下，是否已将体育产业充分市场化，运动员的商业价值是否已充分释放，对体育产业、体育经济的杠杆作用是否已充分发挥。”她表示，“我们应该为明星运动员的商业活动营造更好的舆论环境、政策环境和制度环境。”,国际象棋真人秀背景音乐,365bet网上平台,必胜网络官网登录。

  12月29日,雾天行车灯光、辅助驾驶咋用？记住这几点,施正文表示，目前关税税率大致从高到低有四类，分别是普通税率、最惠国税率、协定税率和暂定税率，针对不同国家不同商品适用不同税率，因此对进口商品需要明确原产地，才能最终确定具体税率。,明升体育注册送18,双赢棋牌app,银河国际城手机版。

  时事3：开元KG

  12月29日,武汉天气晴好 市民乐享冬日暖阳,张先生认为，网球明星的出现与整个网球运动以及网球经济的发展是相互促进的，并形成正向反馈。他说，明星越多，示范效应就越强，就会更加刺激网球运动的发展，网球经济热度也会越高。而打网球的人多了，就会涌现出更多的网球明星。,经典水果机app单机,皇冠四虎,独家梅花来料。

  12月29日,【统战巡礼】汇聚统战优势 谱写中原大地推进中国式现代化新篇章——“十四五”期间河南省统战工作综述,钟自然出生于1962年8月，安徽桐城人，曾在原地质矿产部和原国土资源部工作多年，2014年任原国土资源部党组成员，中国地质调查局局长、党组书记。,新皇冠app安卓下载,哪里玩pg电子游戏,什么捕鱼可以赚钱快。

  时事4：必赢bwin网址

  12月29日,重庆“10人聚餐9人开溜”续：最晚走客人已付清餐费,无论黄金是存储在海外金库还是运抵国内，最终都需要进入央行的官方储备体系。运抵的黄金在进入央行金库前，必须经过严格的检测和称重，以确保其符合约定的重量和纯度标准，之后才正式计入国家的黄金储备。,英亚体育官方登录,赢钱游戏 网络,永利体育真人百家乐。

  12月29日,破局，开局！第五届“统一战线学论坛”已启动！,这一全面关税声明震动市场，为其第二任期的关税推进工作定下基调 —— 尽管他在图表中展示的多项针对特定国家的关税率，不久后便被暂停实施至 5 月，且在当年剩余时间里多次调整。,bc真人,在哪里赌篮球球,ag真人大官方。