猫眼电影记者 影佐祯昭 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：竞彩篮球app

  12月24日,（经济观察）明确“路线图” 中央经济工作会议部署八项任务,神舟十八号乘组的三名航天员将在中国空间站驻留约6个月，空间站是航天员在太空的家，这一次，三名航天员会携带哪些物品前往空间站呢？,下载注册送8元。

  12月24日,国家公祭日：南京拉响防空警报 民众默哀悼念,[文/观察者网 王世纯]我国在酒泉卫星发射中心成功发射的可重复使用试验航天器，在轨飞行276天后，于2023年5月8日成功返回预定着陆场。这架“过于先进，无法展示”的神秘飞行器引发了美国有关机构的关注。,华体育app官方下载,lpl比赛外围,BOBapp官方网址。

  时事2：幸运大转盘

  12月24日,医生：胃癌淋巴结清扫越彻底越好,央行方面，关注美元兑人民币中间价下降至7.036，对应贬值上限在7.18附近。,KYKG娱乐网址大全,精解版-彩,千赢娱乐手游官网下载。

  12月24日,黄庭坚诞辰980周年特展启幕 85件套文物再现“山谷雅集”,信任的崩塌往往只在一瞬，修复之路却道阻且长。对于坐拥4亿日活用户的快手而言，AI业务带来的增长红利固然重要，但用户对内容安全的基本诉求同样是支撑企业长久发展的关键所在。网络安全的本质是人与人的对抗，黑灰产用技术挑战平台时，平台必须以“国家队”的姿态应战。信任的重建，也许就从一次次全链防御中开始。,betway网站,赌博直营,365 博彩。

  时事3：美高梅网站官网真的吗

  12月24日,我国发现新矿物：为地球矿物家族增添一个新成员,机构表示，2025年以来伴随产业链价格逐步企稳、供需结构改善，锂电底部反转趋势显现。展望2026年，看好锂电新一轮上行周期启动，储能有望成为核心“推手”。同时，以固态电池为主线的新一轮锂电技术大周期加速迎来产业化拐点。,博天堂可靠吗,手机版电玩城app,赢现金游戏官网。

  12月24日,东西问丨德国汉学家叶翰：汉学研究须传统与当代并重,双方认为，应进一步加强联合国教科文组织作为政府间人文交流普遍性平台的作用，推动该平台上相互尊重的专业对话，促进成员国高效沟通，达成共识，增进团结。,乐鱼官网登陆,AG登录,新葡萄金网址是多少。

  时事4：亚美在线娱乐

  12月24日,民调显示委内瑞拉民众一致反对美国军事威胁,从已在“最强县级市”昆山耕耘十余年的昆山杜克大学，到2019年位于溧阳的南京航空航天大学天目湖校区启用，再到2022年迎来首批新生的河南罗山县华北水利水电大学江淮校区，以及正在建设中的北京理工大学怀来校区……高校县域办学从东部地区开始，逐渐向其他区域蔓延。,2020年欧洲杯足球比分,ag真人世界杯比分,凯发娱乐网页版。

  12月24日,湖北丰富冬季文旅供给 激活南国冰雪季,证监会依据《证券法》第181条，对公开发行文件造假行为单独处罚：,亚星快速开户,赌博盘口官网,乐游棋牌怎么样。