猫眼电影记者 陈冬一 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：best365官方app

  12月23日,国台办发布会聚焦海南自贸港封关、台湾2025代表字等热点,数据显示，一季度，温州、徐州、大连、唐山GDP分别为2152.2亿元、2118.35亿元、2103.5亿元、2006.5亿元，同比分别增长6.1%、6.9%、5.8%、6.6%。相比去年一季度，四座城市GDP增量分别达到123.1亿元、102.1亿元、70.6亿元、76.1亿元。,新濠天地世界杯买球。

  12月23日,特奥足球比赛在江门开赛 广东队收获开门红,生活中，人们常用认可度判别事物，区分高下。请写一篇文章，谈谈你对“认可度”的认识和思考。,真人AG藏分,开元棋牌备用网址,足球推荐软件。

  时事2：188足球即时比分直播

  12月23日,灵芝撬动“绿富美” 云南景东山冲村蝶变,相当多的国家选择不公开黄金存放细节。包括日本、哈萨克斯坦、乌兹别克斯坦、泰国等国。,365体育投注3,飞驰娱乐苹果版下载,yabo网站是多少。

  12月23日,阿依努尔的“美丽事业”：赋能女性就业创业 携手青年赴时代之约,“这几年河南旅游发展的越来越好，是不争的事实。”在北京师范大学政府管理研究院副院长、产业经济研究中心主任宋向清看来，别的地方火都是一个城市或者产品爆火，而河南是到处火，多个城市陆续涌现出一些网红产品或网红服务。,大发888最新版APP,心博天下在线买球,巴黎人导航大全。

  时事3：牛牛现金网官网

  12月23日,两千余名尼泊尔学生获赠中国爱心“体育包”,据路透社9日报道，在哈塔伊省省会安塔基亚市一家医院外，64岁的梅莱克（Melek）对缺乏救援队表示遗憾。“我们从地震中幸存下来，但我们会因为饥饿或寒冷而死在这里。”在另一重灾区马拉蒂亚市，民众萨比哈·阿利纳克（Sabiha Alinak）也表示，自己的亲属已被困在倒塌的建筑下两天，尚未等到救援队伍。,利来娱乐,投注世界杯图片,财神捕鱼APP软件下载。

  12月23日,国际人士表示中国经济高质量发展彰显经济强劲韧性,综合来看，北京人寿是一家站在十字路口的公司。它凭借灵活的策略和对市场机遇的把握，实现了财务数据的快速改善，但其可持续发展能力正面临多维度的考验。,世界杯 体育彩票投注,手机上下分捕鱼游戏是真的吗,bet365官方中文版。

  时事4：2019年欧洲杯时间决赛

  12月23日,浙江杭州银龄教育更普惠,12月27日晚，圣元环保（300867）连发两则公告，就6000万元私募理财巨亏事件披露最新进展：公司及三位核心高管因未及时披露重大损失，收到厦门证监局警示函；同日，公司控股股东、实际控制人朱煜煊与朱恒冰，承诺对投资本金损失进行先行补偿，最大限度保障公司及股东利益。,天博综合体育官网下载,九游老哥俱乐部,白小姐内幕A。

  12月23日,甘肃优化营商环境搭“数字快车”,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。,尊龙棋牌娱乐平台官网,大发棋牌官网,英亚体育APP。