猫眼电影记者 曹美丽 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1：万博在线登录注册

  12月23日,【好评中国】从一杯咖啡里“品”发展信心,全球安全倡议当然不是空话，沙伊对话成为有力践行全球安全倡议的一次成功实践。,真人斗地主赚钱的游戏。

  12月23日,中方回应美国施压委内瑞拉：支持委方关于召开联合国安理会紧急会议的要求,针对AML的克立福替尼公司预计2027年获批上市，公司和三生制药达成授权协议，强强联合。后续管线丰富：甲磺酸莱洛替尼（III期），治疗食管癌。HEC53856（II期），治疗化疗贫血。HEC201625（即将IND），口服PD-L1小分子，且公司持续布局新的技术领域，包括ADC、TCE等。,澳门js网站,足球下赌注app软件,百乐门十三水账号注册。

  时事2：万博manbetx手机在线

  12月23日,上海交大举办系列活动致敬钱学森归国70周年,这或许也是“花生禁令”的政府决策逻辑。希伯花邻镇的一位副镇长对本刊表示，当地有保粮食安全的重任，同时又有绿色生态的重担。“种植花生西瓜属于土地非粮化了，这长期看来肯定是不允许的。现在的基本农田都要牢牢保障粮食作物，加上科尔沁沙地歼灭战，两大压力都汇聚在一起了，所以就要牺牲花生和西瓜这些经济作物了。”,金牛棋牌抢庄牛牛,凯时kb88手机客户端下载,在那个网站买世界杯。

  12月23日,因生病错过妈妈生日，男孩一周后送来“迟到的”生日礼物。网友：最好的爱，是不会忘记！,在缤纷的世界中，无论是个人、群体还是国家，都会面对别人对我们的定义。我们要认真对待“被定义”，明辨是非，去芜存真，为自己的提升助力；也要勇于通过“自定义”来塑造自我，彰显风华，用自己的方式前进。,黄金城官网,杏彩用户,百家乐球法。

  时事3：365世界杯买球网站

  12月23日,今年前11个月：横琴合作区进出口总值突破400亿元,腾讯视频鸿蒙手机端产品负责人赵识程深有感触地指出，与其它移动操作系统的开发工作相比，鸿蒙的优势就是解决问题的效率。腾讯视频鸿蒙版只用了一年就已经做到与其它操作系统几乎一致的体验，甚至还推出了一些更好、更独特的功能。他以投屏为例，生动地描述了鸿蒙的“分布式能力”。在鸿蒙生态中，用户可以很丝滑的把手机画面投到智慧屏上，相比其它系统要先寻找设备、再选择投屏的传统链路极大提升了效率和体验。,八方体育登录入口,金沙AG真人,牛牛打团怎么才可以赢。

  12月23日,两岸团队共探健康饮食 以膳为媒以技会友,郑重声明：东方财富发布此内容旨在传播更多信息，与本站立场无关，不构成投资建议。据此操作，风险自担。,国外网站看世界杯,ag捕鱼王3d内部解密,188体育游戏网站。

  时事4：捕鱼欢乐颂

  12月23日,四川公布首批省级革命文物协同研究中心名单,回溯近几年的公开信息，快手因违规内容引发的监管处罚与舆论争议从未间断。,365bet体育娱乐平台首页,日博官网,2026年世界杯投注指南。

  12月23日,科学加湿 莫让“生活帮手”变“健康杀手”,双方将继续在化武裁军和防扩散问题上协调行动，致力于恢复禁止化学武器组织的权威性，推动其工作回归非政治化的技术性轨道。,沙巴体育直播足球,万博手机官网首页,心博天下网投。