猫眼电影记者 帕克斯曼 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1：365体育一样盘口

  12月24日,千吨级“巨无霸”就位！平陆运河船闸人字门吊装全部完成,而造成主营业务收入同比下跌的原因的主要是平均每日成交额下跌令交易及结算费减少、保证金与结算所基金的投资收益净额减少以及上市费收入减少。,币游国际环亚。

  12月24日,再对委内瑞拉“极限施压”，美国能否得逞？｜国际识局,双方将继续在应急管理领域内加强务实合作，在空间监测、航空救援技术等防灾减灾救灾、安全生产领域内开展合作，组织救援联合演习及培训。,凯发k8国际手机网页,环球登录官网,威廉士官方网站。

  时事2：赠送彩金平台有哪些

  12月24日,云南汽车拉力赛“驶入”曼谷 助推中泰多领域合作,北约近来屡屡渲染炒作所谓“中国挑战”，这与日本近年来的政策不谋而合。除了在所谓新“战略概念”文件中将中国列为“系统性挑战”，斯托尔滕贝格今年初的亚洲之行期间，也将矛头直指中国，声称中国对西方的“价值观、利益和安全构成挑战”。日本此前也将中国定位为“前所未有的最大战略挑战”，有日媒分析称，“北约与日本方向一致”的观点正在双方内部深化。,澳门注册网址大全,皇冠体育平台,必发备用网址。

  12月24日,多国年度汉字发布 一字勾勒世相万千,2019年9月，汪争猛的父亲汪绪良做完良性肿瘤手术后，眼睛半失明，去村委会写申请，提交给当地残联办残疾人证。按照相关政策，残疾人可以优先纳入低保，可以享受危房改造补贴、生活和护理补贴等。但不久残联回复，汪绪良家里有营业执照，不符合办证条件。,十大信誉ag平台,开元棋牌手机版登陆,钱柜赌城。

  时事3：bet亚洲365唯一线路检测

  12月24日,磷虾油“零含量”，在透支同仁堂信誉,ESG理念正加速融入企业战略与经营管理体系。规范、透明、可比的可持续信息披露已成为企业提升治理能力、回应社会关切、实现高质量发展的重要基础。未来，国际医学将继续以高标准推进ESG治理体系建设，深化绿色转型，强化社会责任，优化患者体验，也将进一步提升信息披露工作的规范性、系统性与透明度，在“高质量医疗+可持续发展”的道路上不断前行。,牛牛打团怎么才可以赢,竞彩足球预测软件,ag登入。

  12月24日,双子座流星雨划过各地夜空,适度超前也有面向未来的考量。李瀚明表示，最近几年，国内长途旅行取代了一部分出国游的需求。西北是国内长途旅行的主要目的地之一，新疆、青甘大环线等热度居高不下。西北遥远，高铁也不发达，更依赖民航运输。此外，西安和乌鲁木齐还有建设国际航空枢纽的需要。,棋乐棋牌手游平台,ku游注册网址,新mg官网电子游戏。

  时事4：188宝金博注册彩金

  12月24日,吉林以“书店+”打造全民阅读新空间,兰州和乌鲁木齐之前都只有一条跑道，因起降架次多，乌鲁木齐一直是国内最繁忙的单跑道机场之一。扩建后可以极大缓解这几座机场的现有压力。,老虎机游戏App,银河游戏大厅,e世博赌场网站。

  12月24日,12月9日央行开展1173亿元7天期逆回购操作,姜恩柱担任过外交部副部长、香港中联办主任，曾是中国驻英国大使。,足球角球比分数据,乐投国际,开博体育官网app网址。