猫眼电影记者 辛少亭 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体育平台开户注册平台

  12月28日,四中全会精神解读·市场最前沿|织起全国一张网，看算力普惠按下“加速键”,谭克非：我们坚决反对美方向中国台湾地区出售武器。美方行径粗暴干涉中国内政，严重违反一个中国原则和中美三个联合公报特别是“八一七公报”规定，严重损害中国主权和安全利益，严重威胁台海和平稳定。中方对此强烈不满，已向美方提出严正交涉。,世界杯赌注网站下载。

  12月28日,中新健康｜这三个便秘误区您中招了吗？,总体我们采用大中台框架搭建系统。以低空经济定制案例为例，无论是eVTOL、直升机、低空卫星还是储能电池，都可以用同一套系统支持。我们坚持“一平台多业务”，避免业务人员每接触新业务就要熟悉新系统。我们以强大技术底座快速响应市场多变的融资需求，从而完成系统建设。,AG娱乐平台官网入口,龙8电子网址,打牌游戏下载。

  时事2：世界杯开奖投注

  12月28日,关注俄乌冲突·英法德乌四国领导人会晤：乌克兰总统称“和平计划”即将完成修改,大连形势则不容乐观。虽然一季度GDP增速（5.8%）跑赢全国大盘，但投资、消费和进出口增速分别为3.8%、3.7%、-8.9%，均低于全国平均水平。这也愈发暴露出大连的深层次短板，在外界看来，大连产业结构仍以重工业和石化产业为主，新兴产业增长缓慢，制约了经济结构转型升级。,6up平台,莲花国际,手机即时比分网。

  12月28日,建设三大中心，天津“十五五”打出“别样”金融牌,随着深度求索 —— 这款被誉为 “中国版 ChatGPT” 的产品爆火，投资者对中国人工智能领域的兴趣激增。一批初创企业相继在中国大陆和中国香港上市，吸引了全球资产管理机构的目光，它们正愈发关注这些中国人工智能企业。,360分分彩平台,ROR电竞,体育比分在线。

  时事3：唐三藏救世报

  12月28日,世界羽联总决赛：中国台北组合小组赛落败,据报道，康富户还称，每次只要猪价高一点点，民进党当局就急着打压，如果继续这样干，就会像养鸡业没人要养鸡一样，没人愿意养猪，届时没鸡蛋、没猪肉，什么都更贵。康富户呼吁台“农委会”回归市场机制，找出平衡点，让业者生产不亏本，消费者则多负担一些。,手机买球推荐,ysb体育注册,反水平台全网第一。

  12月28日,新疆军区这支英雄连队以“三敢”战斗精神锻造铁血尖刀,吕王镇刘院村位于孝感市大悟县东南部，毗邻红安县，地貌多为山地、丘陵，经济落后，交通不便。,欢乐斗牛腾讯官方版,天博官网下载,世界杯买球算本金吗。

  时事4：电子竞技压注平台

  12月28日,上海机场免税招标签约 助力国家高水平对外开放和机场商业品质升级,经研究，聘任曹培玺、李军、胡爱民、凌逸群为国家开发投资集团有限公司外部董事，孙承铭不再担任国家开发投资集团有限公司外部董事职务。,现金玩牌的游戏,金冠棋牌娱乐WWW,美高梅快速注册。

  12月28日,外媒：保加利亚政府宣布辞职,由信达财险转身之后，国任保险实控人变更，其也成为地方金融平台一员。随着该公司班子更替、战略调整，该公司开启了自2017年以来的高增长阶段，其也持续7年盈利。,巴黎澳门人,永利博体育官网,十大现金游戏。