猫眼电影记者 周晓平 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：开体育app下载

  12月25日,全国首套强震动加速度计检定装置建成,12月23日金融一线消息，上海金融监管局发布关于陈放民生通惠资产管理有限公司首席风险管理执行官任职资格的批复，核准陈放民生通惠资产管理有限公司首席风险管理执行官的任职资格。,AG真人为什么会连输。

  12月25日,以石油之名：美国被指策动政权更迭，委内瑞拉可能陷入高度混乱,经查，韩勇丧失理想信念，背离初心使命，政治意识淡漠，不敢担当斗争，结交政治骗子、搞政治投机；违反中央八项规定精神，违规接受他人安排的宴请和旅游活动；违背组织原则，任人唯亲唯利，卖官鬻爵；廉洁底线失守，违规收受礼品礼金，违规低价购房；违规干预和插手执纪执法活动；家风不正；将公权力当作攫取私利的工具，大搞权钱交易，利用职务便利为他人在企业经营、干部任用、工程承揽等方面谋利，并非法收受巨额财物。,AG亚游平台app,亚新全站APP,Fun88首页。

  时事2：美高梅娱乐平台大全

  12月25日,1—11月中国销售彩票同比增长1.7%,但他却犯了一个常识性的错误，引来了网友的嘲讽和批评。当他被问及中国在月球背面做什么时，他表示：“中国的探测器将在月球背面着陆”，他还说：“月球的背面永远处于黑暗，美国人不打算去那里。”,uc体育app下载安装,365博软件下载,博鱼在哪玩。

  12月25日,天气“带货”实力强？河南雪后降温，羽绒服迎来“补货潮”,1987年9月至1994年6月，郭宁宁在清华大学经济管理学院管理信息系统专业学习，获工学学士、硕士学位，1997年3月至2003年6月，她在清华大学数量经济学专业在职研究生学习，获经济学博士学位。,范佩西代言凯时,金门电玩城官方,AOA客户端下载。

  时事3：千亿官网是多少

  12月25日,从民进80年足迹中读懂中国新型政党制度,海外网5月10日电 据台湾“联合新闻网”报道，台中市南屯区一地10日中午施工期间发生吊车吊臂倒塌事件，一旁的捷运车厢遭砸中严重毁损，钢架插穿车厢，场面骇人。事件造成8人受伤送医，一名乘客死亡。,澳门新葡8814网站是多少,世界杯比分网站,下载官方正版app跳高高游戏。

  12月25日,原创音乐剧《四十天》首演在即 再现抗日壮举“宜昌大撤退”,去年，民航局、国家发改委联合发文《关于推进国际航空枢纽建设的指导意见》，画出国际航空枢纽的蓝图，提出“3+7+N”国际航空枢纽功能体系。,九州体育娱乐在线登录,金沙官网app,澳门十大正规网络平台官网。

  时事4：mg冰球豪华版中奖视频

  12月25日,第十一届集美·阿尔勒国际摄影季开幕,以三季报为例，今年前三季度，中国医药的营业总收入为258.94亿元，同比下降3.42%，已经连续2年下滑；归母净利润约4.55亿元，同比减少4.64%，已经是连续5年下滑，这一数据甚至比不过10年前——2015年前三季度，公司归母净利润为5.17亿元。,有AG捕鱼网的平台,必威官方网站,乐博免费试玩。

  12月25日,1—11月中国销售彩票同比增长1.7%,新的工作岗位意味着更大的责任，今后将努力提高政治站位，加强理论学习；,贝博app体育官方下载,火狐官网买球,澳门永利的所有网址。