猫眼电影记者 孝金波 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：世界杯赌球网站关闭

  12月22日,《中国餐饮产业发展报告（2025）》发布,鸿蒙的魅力不在于孤星闪耀，而在于它能汇聚“万千科技人的微光”，形成万物互联的璀璨星河。,通宝棋牌。

  12月22日,乘势而上实现“十五五”良好开局——论贯彻落实中央经济工作会议精神,（观察者网 讯）招募难一直是近年来困扰日本自卫队的重大问题之一，日本官方也一直为此寻求解决办法，日本防卫省甚至将主意打到有文身人员的头上。,YMY体育,世界杯买球的年龄段,AG平台登录口。

  时事2：天博游戏

  12月22日,千吨级“巨无霸”就位！平陆运河船闸人字门吊装全部完成,首先，近期证监会和交易所陆续出台资本市场“1+N”配套制度规则，其中的发行上市规则修改了主板、创业板发行上市条件和板块定位要求，具体制度完善后，平稳推进发行上市审核工作有了更为明确的标准。其次，前期多数公司因IPO申请文件中的财务资料超过有效期而中止审核，日前申报企业陆续提交2023年财务数据，进入恢复审核程序，相关审核工作需要继续依法依规予以推进。,bet356体育在线,心博天下入口,凯时官方网址。

  12月22日,2025年全国青年女子手球锦标赛开赛,央行购买的黄金可能一直存放在伦敦高度安全的专业金库中，交割意味着黄金的所有权在清算系统内，从一个机构的账户划转至央行的指定账户，金条本身并不移动。这极大降低了运输风险和成本。,奇门定位九肖,银河投注登录,博体育网址。

  时事3：ag真人平台评价

  12月22日,外交部回应美方将大疆无人机列入“受管制清单”：坚决反对无理打压中国企业,在仍计算公摊面积的背景下，为了保护购房者权益，合理提高得房率，3月以来，珠海和长沙两地先后明确和优化房地产开发项目中有关赠送面积的规则。,电玩大师炸金花,皇冠官方网站,九游会手机版登陆。

  12月22日,长春迎明显降雪 多部门出动人员应对,其中更加乐观的因素有：（1）存单到期量环比回落约14269.4亿元，对银行负债端的扰动减弱；（2）央行或降准。,bbin可靠吗,真钱电子游艺手机版,沙巴体育非正常投注。

  时事4：盛世登录网址

  12月22日,从“看天吃饭”到“知天而作” 智慧气象守护辽宁粮仓安全,（文/邓文静 编辑/高莘）日前，2024北京CBD论坛中外车企圆桌对话会在北京举行。此次对话会以“全球合作、加速发展”为主题，汇聚了来自政府相关部门、行业专家智库、中外知名车企、国际组织、行业协会等领域的代表，为中外汽车产业的合作与发展搭建桥梁。商务部党组成员、副部长盛秋平出席会议并讲话。,优德世界杯买球,捕鱼能上下分的,365网站app。

  12月22日,承认存在政治资金问题 日本总务大臣道歉,经历前期短暂的震荡整理后，黄金市场再度走出强势单边行情，向历史高位发起新一轮冲击。12月22日，国际金价率先发力，现货黄金盘中首次突破4400美元/盎司整数关口，刷新历史纪录，年内累计涨幅进一步扩大。亚市早盘，现货黄金再度大幅攀升，金价刚刚触及4484.31美元/盎司，创下历史新高，金价日内飙升逾40美元。黄金价格已是今年第50天刷新纪录。,亚虎官网手机客户端注册,两人斗地主几张牌,贝博手机版。