猫眼电影记者 奚正平 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：英雄联盟外围

  12月28日,海口深化打造“国际演艺之都” 明年拟引进大型演唱会超12场,直新闻注意到，在4月选举正式启动前，莫迪曾公开表态强调中印关系的重要性，认为中印关系保持和平对于整个地区乃至世界都非常重要，并称通过外交和军事层面的建设性接触，中印有能力恢复和维持边境地区和平与安宁，推动双边关系改善。,乐鱼平台官网下载。

  12月28日,融链赋能 2025企业科技创新发展论坛在深圳举办,更重要的是，对比去年同期，佛山经济总量由2872.9亿元降至2872.65亿元，罕见出现名义负增长，也是万亿级城市中唯一经济缩水的城市。,尊龙棋牌官方客服,九游会在哪开户,米乐网页版登录。

  时事2：欧宝官方体育ap

  12月28日,（经济观察）郑州“十五五”欲建三大“世界之都”,腾讯视频鸿蒙手机端产品负责人赵识程深有感触地指出，与其它移动操作系统的开发工作相比，鸿蒙的优势就是解决问题的效率。腾讯视频鸿蒙版只用了一年就已经做到与其它操作系统几乎一致的体验，甚至还推出了一些更好、更独特的功能。他以投屏为例，生动地描述了鸿蒙的“分布式能力”。在鸿蒙生态中，用户可以很丝滑的把手机画面投到智慧屏上，相比其它系统要先寻找设备、再选择投屏的传统链路极大提升了效率和体验。,天博体育官网登陆,快乐炸金花安卓版下载,凤凰线上平台。

  12月28日,瑙鲁发生数起中国公民店铺遭抢劫案件 中使馆发布安全提醒,唐家成认为，提升市场流动性是一项长期工作，港交所非常重视相关工作，正研究很多中长期的改革建议，相信未来还会推出措施，以完善市场机制和促进市场发展。,正规棋牌平台,K1体育,乐博。

  时事3：AG电子爆分

  12月28日,海南这五年：全域禁塑成效明显,这意味着目前国内在建的和已经建成的海底隧道，最长的均在20公里以内，与设计长度约在125公里的烟大海底隧道，相距甚远。,AG亚洲游戏集团下载,新东方在线网站,贝博手机APP。

  12月28日,纪念“鹅湖之会”850周年研讨会在江西铅山举办,值得注意的是，所有责任人均提出“非会计专业人士”“信赖会计师事务所”等理由试图免责，但证监会明确指出：高管勤勉尽责义务不因专业背景而豁免，签字即担责。,世界杯买球开户网,pt老虎机平台送体验金,沙巴体育手机app下载。

  时事4：九五至尊在线官网

  12月28日,疲劳勿驾驶！多地发生疲劳驾驶引发的事故,高校实力与经济水平不相匹配，曾一度是经济大省广东面临的尴尬处境。,?站,英利在线赌博,KU体育娱乐官网。

  12月28日,日本首相官邸高官扬言“日本拥核论”　引发多方批评,习近平指出，随着共建“一带一路”深入推进，新疆不再是边远地带，而是一个核心区、一个枢纽地带。,推二八杠的的技巧,365手机体育投注,足球巴巴。