猫眼电影记者 约瑟夫-特雷兹 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：完美体育官网在线

  12月25日,焦点访谈丨确保“十五五”开好局、起好步 2026年经济工作这么干,不过眼下，郑州正借势郑州比亚迪工厂、郑州上汽乘用车二期等项目，逐步将新能源汽车培育成下一个引擎。不论对工业经济增长，还是外贸发展而言，新能源汽车产业都将成为郑州“转身”的一个关键变量。,永利体育网开户app下载。

  12月25日,贵州遵义余庆一处地下水源受污染 官方：情况属实,黄金暴涨之后，市场关注未来走势，尤其关注近年不可忽视的购买力量——央行。近年央行购金不仅规模大、速度快，还展现出 “黄金回家”等非常规操作。,世界杯博彩网站有哪些,即时比分手机版,沙巴体育体育外围。

  时事2：网上皇家在线平台

  12月25日,澳门俩跳远小将携手特奥摘牌：从跳出第一米到更远的未来,保守派媒体人也开始议论纷纷，《每日连线》高级编辑卡伯特·菲利普斯（Cabot Phillips）就质疑称：“吉尔·拜登和道格·埃姆霍夫相互问候……用嘴唇相贴的吻？这……正常吗？”,天博平台官网,比分球探网,体育注册。

  12月25日,走进民企看发展丨面壁智能李大海：取代你的不是AI，而是比你更会用AI的人,黄建生告诉记者，自己也是刘院村人，其任村支书期间，“上级政府从没有安排注册个体工商户的工作；我作为村支书从没拿老百姓的身份去工商部门做这样的事；我也从来没有安排下属或干部去办这个事儿。”,亚英体育手机版,伟德官网体育app,永利皇宫怎么下载。

  时事3：即时排球比分

  12月25日,拾光纪·“这个梦想，凝聚了几代中国人的夙愿”,高教资源对于区域发展的重要性不言而喻。被高教短板深深刺痛的广东，很早就开始发力填补“洼地”。,巴黎人贵宾会,银河娱乐app提现,纬来体育投注登录。

  12月25日,上海：打造冬季商业消费场景,报告中称，商汤近期推出多款生成式AI产品，包括AI剧本生成平台（Seko 2.0）、AI办公助手（Racconn,世界杯球员可以买球吗,皇冠即时比分,SW天风电子百搭猫咪。

  时事4：爱游戏登陆官网

  12月25日,上海机场免税招标签约 助力国家高水平对外开放和机场商业品质升级,洪恩识字作为一款儿童教育App，稳定性关乎用户体验的底线，“我们所有反馈的问题基本上在一天之内都能得到解决。”洪恩中文启蒙技术负责人王鹤由衷的称赞道，鸿蒙团队和伙伴并肩作战，提供到位的技术支持，甚至是提供随时响应的服务，帮助迅速发现问题并且顺利解决。,188乒乓球,立博快速开户,im体育官方下载。

  12月25日,海南全岛封关后首个制造业标志性外资项目开工,——深化环保合作，在跨界水体保护、环境污染应急联络、生物多样性保护及固体废物处理等领域加强合作。,必赢亚州网址,皇冠入口welcome,九州网投平台。