猫眼电影记者 西安-釜山 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：ag九游会老站

  12月26日,中国侵入式脑机接口技术连续造福患者的背后：抱以希望、审慎看待,对于村民所称的申请大病医疗补助受影响，刘长文否认，“申请低保户，才会看家里有没有工商企业。农村合作医疗、大病医疗报销不受工商注册影响，任何人（报销）都一样。”,葡京赌侠。

  12月26日,泳池派对全网直播，低俗狂欢何时休？,相关数据还显示，碳酸锂期现价格相关性达到0.99，碳酸锂期货已成为全球份额最大、流动性最好的锂盐品种，部分国际贸易企业在签订远期贸易合时也将其作为重要定价基准，其价格指引意义极强。,皇冠手游平台,4-台湾神算,威斯尼斯人官方网站登录。

  时事2：188宝金博真人投注

  12月26日,“天桥一号”落地天桥演艺区 构筑北京城市演艺新生态,实际上与鲁斯克的否认相反，“猪湾事件”正是由美国中央情报局（CIA）策划的。1961年4月17日凌晨，由CIA训练和武装、代号为2506突击旅的大约1500名雇佣军登陆古巴南部猪湾地区的吉隆滩和长滩，目的是推翻菲德尔·卡斯特罗和他领导的古巴政府。然而，行动在72小时内被古巴武装力量击溃，令美国颜面尽失。,世界杯投注额,梦幻国际真人娱乐骗局,YMY体育。

  12月26日,海南自贸港首票国际中转“换单”业务落地,“美政府摧毁了北溪天然气管道”——美国资深调查记者西摩·赫什曝出的“猛料”引发巨大反响，美国白宫等部门密集否认相关指控。“棱镜门”曝光者、素有美国“吹哨人”之称的爱德华·斯诺登也就此作出回应。,升博在线官网,野马官方网站,pg电子试玩网站。

  时事3：AG电子竞技

  12月26日,中方介绍法国总统马克龙访华安排,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。”,利来国际最老牌的游戏,leyu乐鱼足球,ag捕鱼王技巧与攻略。

  12月26日,戏韵通中外 “戏剧与文化传播”论坛在京举行,去年上半年实现扭亏为盈的全聚德在财报中称，2024年餐饮业持续回暖向好，消费活力有望进一步释放。公司餐饮门店春节期间收入同比增长 32.6%，接待消费者28.7 万人次，同比增长 27%。线上线下业务融合发展，共同满足消费者多场景、多元化、高品质消费需求。,必发网址是多少,影牙英亚体育下载,足球皇冠官网app下载。

  时事4：买球去哪个网站买

  12月26日,寄生虫感染令人担忧 做好预防工作最重要,主要资产管理公司的基础设施和房地产部门，如Blackstone和Brookfield，近年来已显著增加了对数据中心资产的敞口。据美国房地产投资信托基金协会数据，上市房地产公司在2024年将数据中心投资增加了15%，同时缩减了对写字楼和公寓等传统领域的投资。私人资本同样在跟进，CBRE对92家主要投资者（包括私募股权和养老基金）的调查显示，95%的受访者计划增加对数据中心的投资。,凯时k66平台官网,网络版捕鱼游戏和街机捕鱼游戏,火狐棋牌官网版。

  12月26日,吉林雪博会观察：中国冰雪装备加速“走出去”,公开资料显示，作为全链条液冷的开创者，英维克从冷板、快速接头、Manifold、CDU、机柜，到SoluKing长效液冷工质、管路、冷源等“端到端”的产品覆盖，从服务器制造工厂，到数据中心运行现场的“厂到场”交付场景覆盖，英维克全链条液冷的产品和服务不断延伸。公司通过自主研发、自主生产、自主交付、自主服务，全面保障液冷系统运行。,赌钱网址,皇冠体育365欢迎您,188宝金博快速注册。