猫眼电影记者 屈身 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：博冠

  12月28日,杭州出台物业专项维修资金管理办法 创新设立代行制度,今年5月，吕临华在《中国金融》杂志发表《科技金融浪潮下农商银行的探索》一文指出，浙江农商银行系统立足浙江民营经济大省和杭州市、嘉兴市科创金融改革试验区，在推动科技金融发展、助力浙江高质量发展建设共同富裕示范区中形成了“四专一生态”科技金融服务体系。,AG真人在线注册。

  12月28日,日本遗孤中井玲子：很多遗孤被亲生父母拒认,我国西部地域广阔，涵盖内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆等12个省、自治区、直辖市。,博鱼体育平台网址,cq9电子平台网站,飞驰娱乐官网入口。

  时事2：必赢棋牌游戏平台

  12月28日,“‘创客在池’首届文旅创新创业群英汇”启幕,随着中国成功调解伊朗和沙特矛盾，中国在中东地区会越来越受欢迎，与地区国家深化合作、推进“一带一路”高质量建设也将更加顺畅。这也是美国受刺激的一个原因。,手机网投,ks凯时,365体育官网app下载。

  12月28日,美媒：一小型飞机在美国佛州紧急迫降时撞上汽车,人福医药（600079.SH）当前正面临其发展历程中最严峻的时期。先是今年三季报出现“增利不增收”的业绩背离态势，随后，公司股票于2025年12月16日起被实施“其他风险警示”（ST），标志着前期重大违法违规行为正式进入风险释放期。,亿博投注登录,亚慱体育苹果app在线下载,世界杯官方投注网。

  时事3：皇冠注册账号

  12月28日,2025年内蒙古青少年科普大赛启幕 两千余名青少年竞逐科技赛场,中国政法大学财税法研究中心主任施正文告诉第一财经，根据2016年相关规定，跨境电子商务零售进口商品需要按照货物实际交易价格来征收关税和进口环节增值税、消费税，并对限额内给予零关税、进口环节增值税、消费税打七折的优惠政策。普通消费者通过跨境电子商务平台来缴税比较难管控，所以现行规定关税等代收代缴义务人有三类，分别是电子商务企业、电子商务交易平台企业或物流企业。,皇马国际官网,188体育平台注册登录,3133拉斯维加斯正版。

  12月28日,湖北利川推动算力建设加快打造“武陵算谷”,真的会有吗？谁也没有答案。中国足球始终处在寻找奇迹的道路上，但奇迹一次次离我们远去……,免费送电子游戏彩金,金牌大风,扑克王二维码扫码。

  时事4：菲律宾凯时

  12月28日,关注俄乌冲突：俄称控制两居民点 乌称打击俄军目标,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。,美高美网址多少,AG试玩入口,老街新百胜联系电话。

  12月28日,工信部许可首批L3级自动驾驶车型产品,阿里巴巴向《环球时报》记者提供的数据显示，郑钦文的球拍、潘展乐的泳镜……这些冠军同款装备已登上淘宝热搜，卖爆天猫。其中郑钦文夺冠同款网球拍高居淘宝热搜第一名。自8月3日郑钦文夺冠至8月5日樊振东夺冠，其间超200万人在天猫搜索了“小球”品类相关商品，其中网球相关装备搜索量同比增长300%，“郑钦文同款”专业网球拍V14，48小时内收到了超4万人的问询，超3000人加购，成交量同比暴涨超2000%，成为天猫网球类目成交TOP1商品。不仅如此，就连郑钦文夺冠现场教练穿的“加油服”也火出圈。,bet9平台登录,真人斗地主2,乐鱼官方网站首页。