猫眼电影记者 王晓蓓 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：澳门现金网站

  12月26日,中央经济工作会议部署建设三大国际科技创新中心,（观察者网讯）当地时间2月7日，在美国总统拜登向国会发表国情咨文演讲前，第一夫人人吉尔·拜登和第二先生道格拉斯·埃姆霍夫（副总统哈里斯的丈夫）互相亲吻问候的画面被拍下，引发美国舆论热议。,江南gameAPP官方入口。

  12月26日,2025能源及矿业下游化发展交流论坛在雅加达举行,近两年，中国医药内部持续开展反腐工作，上市公司及下属公司被查的高管、原高管数量多达10多位，但本次被查的高渝文的职级最高，在位时间约3年。,MG真人竞彩官网,银河电子游戏备用网站,im电竞世界杯比分。

  时事2：kok下载官方

  12月26日,云顶站三连冠！谷爱凌摘得本赛季世界杯首金,沃罗比耶夫称，无人机袭击的目标可能是当地的民用基础设施，俄方并未遭到人员或财产损失，目前俄罗斯联邦安全局（FSB）和其他部门正在进行调查。,为什么每个平台都有ag,2026世界杯正规买球,乐赢国际真人娱乐平台。

  12月26日,中国农业发展银行原政策研究室主任吴飚接受审查调查,西部证券发布研报称，据液冷产业链最前沿数据，2026年谷歌TPUv7及以上等级芯片预计出货约220万颗—230万颗，测算2026年谷歌机柜液冷市场规模为24亿美元—29亿美元。展望2026年，国产芯片出货有望保持高增，叠加AI超节点整机出货形式采用率的快速提升，将给国内液冷市场带来高增机遇。,打鱼现金平台,2026世界杯买球赋fc3·tv,世界杯竞猜 网站下载。

  时事3：2019瑞士欧洲杯国家队名单

  12月26日,英国：英格兰住院医生开始为期5天的罢工,“目前主要观点比较集中，基本设想就是从山东蓬莱经长岛至辽宁旅顺，以海底隧道或桥隧结合的方式，建设直达的快捷通道，化天堑为通途。这样就形成了纵贯东北到东南沿海的东部交通大动脉，极大地改善了东部的交通和物流环境。”梁启东告诉中国新闻周刊。,凯发app怎么下载,九州体育官网登录,九州开户网址。

  12月26日,外交部：中方坚决反对日方为军国主义招魂,各国央行资产负债表上持有的黄金资产有相当大的比例是历史遗留资产，并非新购入。,98858vip威尼斯下载,沙巴体育app,雷速体育比分官网。

  时事4：红心游戏

  12月26日,2025国际乒联混合团体世界杯：国乒全胜晋级四强,新京报讯 据广东省纪委监委消息：广东省肇庆市政协原副主席赵志毅涉嫌严重违纪违法，目前正接受广东省纪委监委纪律审查和监察调查。,九游平台网址,澳博体育下载地址,黄冠体育平台。

  12月26日,张运院士：生活方式干预可以显著降低心血管病风险,这个画面是问天舱内的定向摄像机拍摄的，画面左侧飘着的是液冷服。航天员在舱外活动时会产生热量，需要穿上液冷服散热。,必赢亚洲网站,最大赌博app,捕鱼游戏在线玩。