猫眼电影记者 穆尔西亚 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：yaboapp最新版

  12月28日,厄瓜多尔一监狱发生骚乱 至少13人死亡,针对外媒炒作的太空军事化问题，我外交部，国防部有过多次回应。外交部发言人赵立坚19日表示，美方应采取负责任的外空行为，停止推进外空军事化武器化进程，切实承担起维护外空和平与安全的应有责任。,555ss。

  12月28日,11月广东CPI同比涨幅扩大 PPI环比继续上涨,《产经新闻》昨天报道称，在去年年末对修订“国家安保三文件”的讨论工作中，甚至出现了采用外国人担任海上自卫队舰艇舰员的提议，这一“极端的人力保障方案”，可以说是海自乘员严重不足的又一侧面佐证，尽管在陆、海、空三支自卫队中，海上自卫队的满员率已是相对最高。,乐鱼官方app,新宝ggapp下载,优博快速注册。

  时事2：188体育全站APP

  12月28日,截至11月末新疆昌吉州民企贷款余额829.6亿元 同比增长12.01%,江西省委常委会、司法部党组召开会议：坚决拥护对唐一军审查调查,新濠天地手机版登录,必赢亚洲登陆,kokapp官方。

  12月28日,海滩枪击事件后 澳总理称将严厉打击仇恨言论,例如，当地“举全市之力推进学校更名大学工作”的湖州师范学院，早在2022年就官宣“已经具备了更名大学的条件”。今年初，湖州市政府进一步发文明确“力争早日完成更名工作”。,线上信誉平台,万博manbext手机版,m6平台连接。

  时事3：世界杯买球app进ab82·net

  12月28日,美国布朗大学枪击事件致2死8伤,在此之前，赣锋锂业、天齐锂业也已经先后向业内释放出了乐观预期。两家全球性行业龙头普遍认为，受益于可再生能源并网、商用重卡等电动化设备等领域的需求增长，2026年全球锂需求有望增长至200万吨左右，基本达到供需平衡。,信誉买球平台,大发好玩吗?,捷报比分网即时比分。

  12月28日,“暴力计算”模式触及极限，算力进入系统工程时代,我们要求美方停止售台武器和美台军事联系，停止插手台湾问题，停止加剧台海局势紧张。中国人民解放军始终严阵以待，随时回击一切谋“独”挑衅和外部势力干涉，坚决捍卫国家主权和领土完整。,世界杯投注怎么玩的,飞禽走兽老虎机单机手机版,奥易体育。

  时事4：金沙手机地址

  12月28日,专家谈《红楼梦》：其作者就是曹雪芹,12月22日深夜，一场猝不及防的大规模黑灰产攻击，让快手遭遇了“直播惊魂夜”。,澳门新永利官方网址,ManBetX旧版本,足球官网开户。

  12月28日,联动双枢纽 西安空港陆港首次启动跨境联运,此外，当前很多AI仅提升文本/图片加工效率，而非真正的决策AI——决策AI是判断“说什么能打动用户、用什么渠道转化最高”，这才是促成理财、保险、基金销售的关键。,完美体育下载地址,腾博国际app登录,网上真人游戏斗牛。