猫眼电影记者 田富平 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：通缉令-1

  12月29日,广东深圳：“马丁·帕尔：简明扼要”摄影展吸引参观者,斯诺登转发了赫什的报道链接，并连发多条推文质疑美国方面的说法。他还引用美国第三任总统、《独立宣言》起草者杰斐逊的话暗示，美国政府“无法指望在国民无知的情况下拥有自由”。,2020欧洲杯比分网官网。

  12月29日,生育津贴直接发放至个人！这些地方已实现→,最新的一条推文，则是斯诺登转发的美国第三任总统、《独立宣言》起草者杰斐逊说过的一段话：如果一个国家期望在国民无知的情况下却拥有自由，那么这种期望无论在历史上，还是未来都绝不会实现。,欧洲杯比赛时间,必赢亚洲客户端下载,鸿博体育官网是多少。

  时事2：现金赌钱

  12月29日,内蒙古巴彦淖尔市： “资金+企业”双轮驱动，绘就边疆振兴新图景,乌克兰方面曾表示，UJ-22无人机的最大航程可达800公里。乌克兰内政部长顾问安东·格拉申科也在推特上发布了这架无人机的照片，他宣称：“这里距离俄乌边境500多公里，很快，俄罗斯领导人可能会非常害怕在公共场合露面，因为无人机可以到达很远的距离。”,乐百家挂牌图记录,7m体育比分,贵阳大中国际真人CS。

  12月29日,千根“脊梁”托举万吨水体 平陆运河世界首创省水船闸已具规模,双方将就深化同东盟合作加强协调，继续一道努力推动巩固东盟在亚太地区多边架构中的中心地位，提升东亚峰会、东盟地区论坛等东盟主导机制效能。,365bet体育手机客户端下载,雷竞技官方,手机赌钱app下载。

  时事3：亿万先生网址是多少

  12月29日,首钢园三高炉“数智重燃”纪念活动在北京举行,“展望未来，虽然当前的环境充满挑战，但我们仍保持乐观，我们看好中国经济的长期增长趋势，也看好拓展与东南亚和中东地区资本市场的联系可以带来的机遇，我们将善用科技提升市场活力。”陈翊庭说。,极速体育在线下载,威尼斯在线娱乐网址,ayx爱游戏体育官网。

  12月29日,新国标为二手电子产品装上数据安全锁,全球黄金的存储管理是一个由各国中央银行、商业银行以及专业托管机构共同构成的多元化体系。,智博体育官方网站,ROR体育下载,opebet体育。

  时事4：6up扑克之星充值威廉希尔

  12月29日,探访国家能源集团雄安基地项目建设现场,中方对2024年3月成功举行的俄罗斯联邦总统大选表示欢迎，认为本次选举组织程度高，公开、客观且具有全民性，其结果充分彰显俄罗斯政府所奉行的国家政策获得广泛拥护，而发展同中华人民共和国的友好关系是俄罗斯外交政策的重要组成部分。,博猫娱乐平台,葡京手机登陆,炸金花网站。

  12月29日,杂技与国乐同台对话 《国风雅韵·奇技华章》在京上演,——继续加强协作，落实2018年5月17日签署的《中华人民共和国与欧亚经济联盟经贸合作协定》，推动共建“一带一路”与欧亚经济联盟建设对接合作，深化亚欧地区全方位合作和互联互通。,AG娱乐8,尊龙AG,万博官网手机版网页登录。