猫眼电影记者 格洛特 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：亚信娱乐官网

  12月25日,东西问丨翁芳芳：中法农业合作缘何亮点频现潜力巨大？,汽车行业资深人士洪杨认为，按照欧盟提供的解释，三家抽样车企征收关税税率差异性主要是由于配合度不同。中国电动汽车在欧洲的售价远高于国内，欧盟所谓“更便宜的中国电动汽车，其价格因巨额补贴被人为压低，扭曲了欧洲市场”这一说法是完全错误的指控。,必威官方登录。

  12月25日,承认存在政治资金问题 日本总务大臣道歉,快手Q3成绩单：营收356亿元，电商GMV增长15%，可灵AI收入破3亿,LEG棋牌,云顶娱乐手机官网登陆,bet9九州登录地址。

  时事2：宝马会体育

  12月25日,内蒙古体育职业学院原党委副书记、院长王浩林被开除党籍,美国借口同其盟友开展明显针对中俄的联合演习，着手采取行动在亚太地区部署陆基中导系统，双方对此表示严重关切。美方并声称将持续推进上述做法，最终实现在世界各地常态化部署导弹的意图。双方对上述极端破坏地区稳定、对中俄构成直接安全威胁的举措表示最强烈谴责，并将加强协调配合，应对美国对中俄非建设性、敌对的所谓“双遏制”政策。,澳门永利注册送38元,永利体育外围官网,凯时登录。

  12月25日,瑞银证券：至2040年中国旅游市场规模将达2.45万亿美元,本文将深度剖析诺泰生物财务舞弊案的来龙去脉，还原其“技术转让+增资”双交易掩盖资金回流的操作手法，梳理监管逻辑与处罚依据，并探讨此案对上市公司治理、中介机构责任以及投资者保护的深远启示。,分分彩官方,皇冠买球怎么申请,188宝金博电子网投。

  时事3：澳门永利登录博彩

  12月25日,好评中国｜乘风破浪，中国外贸展现大国经济底色,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。,环球线路检测,官方美高梅国际代理,马经通天报。

  12月25日,《宁夏低空经济发展白皮书（2025）》发布,双重身份：既是直接负责的主管人员，又是组织指使舞弊的实际控制人；,金太阳永利城,手机版金沙下载,真钱打牌网站大全。

  时事4：顶盛体育

  12月25日,中新健康｜这三个便秘误区您中招了吗？,昊海生科彼时表示，上述事项与本公司股票无关。蒋伟不参与公司日常经营管理，该事项不会对公司日常经营活动产生重大影响。,闪电玩,华体会hth登录,开元app官方网站入口。

  12月25日,赏雪新玩法？北京初雪游客带“皇帝”进宫看雪,虽然本次采访的主题是持续进行的俄乌冲突，但还是免不了涉及有关中国的话题。,永利皇宫全部网址,体球网手机版,世界杯买球数。