猫眼电影记者 曹远征 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：银河地址

  12月25日,日本《朝日新闻》批高市早苗：自不量力,美国保守派媒体“每日连线”（Daily Wire）进一步解释称，邓肯的意思是，这群学生作为未来的律师或司法行业从业人员，若不同意他的观点，应该就此提出尖锐质问，而不是粗鄙无礼的尖叫辱骂。,百家乐app平台。

  12月25日,1—11月中国财政收入同比增长0.8%,6月13日起，宁波出租汽车行业驾驶员从业年龄将正式放宽至65周岁。需要注意的是，宁波这次放宽年龄并不是延迟退休，而是退休返聘。,凯发娱乐首页登陆不上去,世界杯投注官网app下载,bet9手机登录网址。

  时事2：贝博bb6体育靠谱吗

  12月25日,海南自贸港封关后 首批外籍人士领取来华工作和居留许可,此外，制造业建设总支出（反映工厂新建规模的指标）全年呈下滑趋势。,网上是怎么赌博的,澳门永利真人国际娱乐平台,乐鱼客户端。

  12月25日,文化观察：浙苏新生代同演《牡丹亭》 古老昆曲何以唱新声？,实际上，“五一”节前河南就开始为省内城市引流造势。最引人关注的就是，文旅界顶流“与辉同行”团队在节前（4月25日至29日）先后到洛阳、郑州、安阳、开封进行河南文旅宣传，河南媒体播放量达28亿，形成良好的引流作用。官方称，郑汴洛安等地人气指数迅速提升，洛阳市成为“全国游客净流入最多的城市”。,虎扑手机版,金苹果娱乐平台,云顶网页版。

  时事3：哪个棋牌软件有二八杠

  12月25日,寒冬踏雪送健康 西藏军区总医院赴那曲开展巡诊服务,5月10日，大悟县市场监督管理局一位负责人回复新京报记者，“我们已经关注这个舆情了，正在调查之中。”,AG网址登陆,巴黎人网投正网,世界杯正规赌球网站。

  12月25日,郭艾伦复出 四川男篮赛季首轮不敌广州,中国人工智能芯片制造商元识智能集成电路公司由前超威限止高管创立，该公司上周在上海证券交易所上市，首日股价暴涨 700%。而就在几天前，其规模更大的竞争对手摩尔线程上市时，股价也飙升了 400%。,韩国赌场线上娱乐平台,威尼斯人网页登录页面,乐鱼平台网站登录。

  时事4：星际线上电子下载

  12月25日,看图学习·回眸2025丨创新发展，总书记强调“坚定不移走下去”,在多边层面，长期以来，中国与中亚五国的合作平台主要是上合组织。除土库曼斯坦为中立国之外，其他四个中亚国家均为上合组织创始成员国。在上合组织框架内，中国与中亚国家开展的安全合作卓有成效，在打击”三股势力”、推动阿富汗和平进程等方面取得的成就有目共睹。,送注册金网站,88bifa,智博体育。

  12月25日,欧盟理事会批准 “欧洲防务工业计划”,9位发言人中，有7位都曾担任过驻外大使，还有两位曾在媒体任职。,澳门伟德游戏,威尼斯下载,世界杯彩票投注结果。