猫眼电影记者 黄云 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：好玩的正规的棋牌游戏平台

  12月24日,湖北恩施现奇幻洞穴 游客仿佛步入异星秘境,例如小米就在非洲市场采取“贴地战略”，主推子品牌Redmi的低价系列，包括红米A2，Note 124G、Note 12、Note 12C等，主攻超低端市场。热卖款Redmi 10A和Redmi 12C，售价仅为75美元和95美元。,杏悦平台登录。

  12月24日,航拍陕西秦岭雪后美景,直新闻注意到，在地区事务层面，莫迪自执政以来，将中国和巴基斯坦之间的友好合作视为对印度南亚霸权的威胁。因此，莫迪政府通过参与美日印澳的“四边机制”、推广“印度制造”和执行“东向行动”政策等，意在构建对抗的战略平衡。,大富豪平台网站多少,炸金花最低入场,金宝搏188手机app最新下载。

  时事2：BOB体育APP

  12月24日,【图片故事】并肩在南亚——第16批中国援尼泊尔医疗队纪实,2024年4月8日，在国务院新闻办举行的“推动高质量发展”系列主题新闻发布会上，福建省委常委、常务副省长郭宁宁回答记者提问时说，我们福建有很多市、县在服务民营企业中坚持“四到”原则，也就是“不叫不到、随叫随到、说到做到、服务周到”，努力建设“能办事、快办事、好办事、办成事”的便利福建。,大赢家体育平台,爱游戏app体育怎么样,赛酷体育网页版。

  12月24日,全国人大常委会副委员长王东明率团访问斯里兰卡,从“三驾马车”来看，西安投资增速为负，社消零增速仅0.1%，只有进出口增速达到7.4%，表现较为突出。而佛山进出口增速大幅下滑33.1%，投资增速和规上工业增加值增速则均未公布。,网上百家娱乐平台,188体育投注投,各届世界杯投注。

  时事3：必威官网地址

  12月24日,两岸共绘京杭大运河的120幅书画在台北展出,例如，2009年10月和11月，国际货币基金组织（IMF）向三个中央银行分别出售了共212吨黄金。,足彩外围网址app,太阳城可靠吗,ag真人手机登录。

  12月24日,云南澜沧通报竹塘乡露天垃圾堆放问题事件处置进展,忐忑地尝到了“糖衣炮弹”的“甜味”后，靳东每次都泰然自若地收下商人老板们送上的“大礼包”，丝毫没有想到党纪国法绝非“橡皮泥”和“稻草人”，容不得任何人藐视和践踏。,新匍京赌场下载,最好的百家乐网站,美高梅app怎么下载。

  时事4：二八杠网上app

  12月24日,关注俄乌冲突：专家分析 红军城战略意义显著 俄谈判优势将加大,双方高兴地指出，两国在高水平战略互信基础上稳步开展防务合作，有效维护地区和全球安全。双方将进一步深化军事互信与协作，扩大联合演训活动规模，定期组织海上、空中联合巡航，加强双边及多边框架下协调与合作，不断提高双方共同应对风险挑战的能力和水平。,威尼斯澳门人网页版,电竞竞猜,188bet金宝搏娱乐官网。

  12月24日,自由式滑雪U型场地世界杯云顶站：三名中国女将晋级决赛,但他却犯了一个常识性的错误，引来了网友的嘲讽和批评。当他被问及中国在月球背面做什么时，他表示：“中国的探测器将在月球背面着陆”，他还说：“月球的背面永远处于黑暗，美国人不打算去那里。”,线上棋牌官网,乐玩游戏大厅,哪个网站看世界杯清洗。