猫眼电影记者 史蒂芬 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：狗万

  12月24日,东西问｜马来西亚学者刘慧敏：人工智能如何让教育更普惠？,1月税收往往量级较高，预计税收缴款在25000亿元附近。季初第一个月缴税量相较于季内其他月份更高（1、4、7、10月），核心因为多数企业一般季度确定收入和支出，同时申报的税种也显著增加，进而导致税负在季初第一个月集中体现，其中1月份更是全年缴税最高点，核心是年初企业对前一年所得税进行首次确认和申报；,大发体育网站是什么。

  12月24日,大雪节气如何温补养藏？南北方养生有讲究,根据美国CNBC网站梳理的数据，通用汽车及其合资公司在华市场份额从2015年的15%左右降至去年的8.6%，中国市场盈利占通用汽车全部盈利的比例也有所下降。2022年，斯特兰蒂斯集团表示只在中国地区保留其旗下Jeep品牌的进口业务。,威尼斯真人游戏,火狐体育手机下载,伟德在线官网。

  时事2：乐鱼体育官网

  12月24日,第160次中老缅泰湄公河联合巡逻执法行动启动,外交部副部长孙卫东就中国东盟关系、美国在菲律宾部署中导等答记者问,亚洲城登入,世界杯可以在那投注,网上百家娱乐平台。

  12月24日,自然资源部启动乌蒙山区冬春季地质灾害隐患排查防范专项行动,要围绕商贸、教育、医疗、文化、旅游等领域，加强国际往来、扩大人文交流。,亚新体育客户端下载,综合体育平台,澳门新葡亰总站。

  时事3：沙巴网址是多少

  12月24日,台湾宜兰县海域发生6.6级地震 福建多地震感强烈,这种狂热的建设浪潮正通过惊人的资金投入体现出来。房地产服务公司JLL预测，2025年至2030年间，北美地区的新建数据中心规模可能达到1万亿美元。由于急需扩充算力，科技巨头们正改变策略，从自建转向租赁，仅甲骨文一家公司目前的未来租赁承诺就高达2480亿美元。,必威登不上去了,天博app软件下载官网,推二八杠技巧。

  12月24日,2025年中国龙舟大奖赛在佛山顺德开幕,这些企业包括金风科技、特变电工、九圣禾种业、昌吉溢达纺织、天鹅棉机、新业能化等，都是新疆特色优势产业的代表企业。,云顶娱乐游戏网站,新皇冠官网app下载苹果,送体验金的白菜大全。

  时事4：明升备用地址

  12月24日,更暖更轻 当航天材料遇到防寒服,据路透社报道，苏纳克11日表示，他将前往美国启动“澳英美联盟”（AUKUS）核潜艇计划的下一阶段会谈，“这一计划让我们能够与最亲密的盟友建立联系，并且为国内在安全、经济和新科技的发展上带来优势。”,果博东方开户,淘宝投注世界杯,自动打pg机器。

  12月24日,沪宁合高速铁路南京枢纽项目建设迎新进展,京国瑞董事总经理朱平表示，“真正的创新往往诞生于对底层技术的极致深耕。面壁以其提出的‘密度定律’为方向指引，持续追求大模型高效能，在端侧智能领域率先打通了‘理论-技术-场景-商业’的正循环。京国瑞作为国有资本，坚定看好面壁成为端侧智能赛道的标杆企业，在‘人工智能+消费提质’的行动方向上，成为推动智能终端‘万物智联’的重要力量。”,威尼斯人网址登录不,ag平台网站,九州体育bet9。