猫眼电影记者 李庆华 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：捷报即时比

  12月23日,江西上饶望仙谷景区发生火灾 无人员伤亡,发射失败后，Innospace 在韩国上市的股票午盘暴跌约 24%，创下 8 月以来最大单日跌幅。,九卅娱乐app下载。

  12月23日,爱你“老己”，是年末最好的收尾,业内人士与行业专家均表示，以通用汽车为代表、曾在电动汽车领域重金押注的车企，其 2026 年的应对策略，将深刻决定电动汽车在美国市场的未来格局。,cQ9网址跑哪儿去了,天博平台怎么样,天博体育平台怎么样。

  时事2：百家乐样板

  12月23日,中央气象台：12月28日起冷空气将影响北方部分地区,今年4月2日，中央纪委国家监委网站通报：江西省政协党组书记、主席唐一军涉嫌严重违纪违法，目前正接受中央纪委国家监委纪律审查和监察调查。,怎么线上彩票,优发娱乐登录网站,韦博体育投注官网。

  12月23日,王曼昱WTT香港总决赛将与蒯曼争冠：希望自己发挥出最好的水平,村民刘一鸣（化名）常年在沿海地区打工，妻子钱清花在老家种水田、带孩子。最近，刘一鸣查询国家企业信用信息公示系统，发现妻子也被莫名其妙登记了营业执照。日期是2011年8月16日，登记机关为“大悟县市场监督管理局”，营业执照类型为“个体工商户”。,爱游戏ayx官网体育,真人美高梅开户介绍,大赢家是什么平台。

  时事3：澳门新博京

  12月23日,哪个年龄段是《疯狂动物城2》观影主力？各地票房排名出炉,据路透社9日报道，在哈塔伊省省会安塔基亚市一家医院外，64岁的梅莱克（Melek）对缺乏救援队表示遗憾。“我们从地震中幸存下来，但我们会因为饥饿或寒冷而死在这里。”在另一重灾区马拉蒂亚市，民众萨比哈·阿利纳克（Sabiha Alinak）也表示，自己的亲属已被困在倒塌的建筑下两天，尚未等到救援队伍。,行会2威尼斯,有没有赌博的平台,下载百姓彩票app。

  12月23日,平粮台古城遗址博物馆新馆开馆试运营,——开展中俄金融情报合作，共同防范洗钱和恐怖主义融资等风险，继续加强在反洗钱多边框架下协作。,555ss,亚娱体育官网入口,鸿博体育注册彩金。

  时事4：凯时登录平台去AG发财网

  12月23日,今年前11个月从广东口岸出入境人次已超4.7亿,从“三驾马车”来看，一季度苏州投资、消费和进出口增速分别为5.5%、10.6%、9.6%，均在GDP十强城市中排名靠前。作为全国制造大市，苏州一季度规上工业增加值增速达11%，形成有力支撑。,博彩app哪个好,现金在线试玩,Mantex体育官网。

  12月23日,民间组织连续12年致信日政府要求就南京大屠杀谢罪赔偿,6月21日，中央纪委国家监委发布消息，自然资源部原党组成员，中国地质调查局原党组书记、局长钟自然被开除党籍，涉嫌受贿、故意泄露国家秘密犯罪问题移送检察机关依法审查起诉。,星速app下载安卓,12bet,全民斗炸金花。