猫眼电影记者 强立火 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：电竞bob

  12月29日,特朗普称已抓获委内瑞拉总统,从指标来看，12月份国有行债券买入量相较于同期明显增加，资金融出也明显抬升，资金价格快速回落，资金面保持宽松，进一步验证了相关判断。,365魔方体育。

  12月29日,海南自由贸易港国际服务门户上线运行,李强指出，希望贵州“发挥优势，埋头苦干，为谱写西部大开发新篇章作出更大贡献”。,永利会,澳门威尼斯人网上网址,澳門永利总站。

  时事2：365bet亚洲官方

  12月29日,首届北京中轴国际定向公开赛举行,为使交易显得“合理”，诺泰生物还要求对浙江华贝进行估值调整。时任财务总监徐东海参与协调第三方机构，将浙江华贝估值大幅提高，使其“看起来”有能力支付3000万元。这一行为进一步佐证了交易的非真实性。,mg游戏是什么版本,抓鱼游戏下载,百家乐app链接。

  12月29日,2025创新药高质量发展大会在广州举行 创新药发展迎新机遇,对于香港成为“国际金融中心遗址”的言论，唐家成则强调，香港拥有世界一流银行、保险、证券和资产管理等多个金融行业，这些共同奠定了香港国际金融中心地位，不能单以股市冷热衡量实力。他表示，支持香港成为国际金融中心的核心优势没改变，长远来看，非常看好香港市场前景。,连连棋牌,币游国际真人游戏,AOA官网地址。

  时事3：现金网app下载

  12月29日,2025年“华文教育·华校校长”研习班在厦门开班,使馆馆员、日本政府官员及在日中资企业代表等分别在使馆和机场送行。,雷竞技在线,二八杠的技巧口诀,明升国际。

  12月29日,李强出席中央经济工作会议并讲话,应国家主席习近平邀请，5月16日至17日，俄罗斯总统普京对中国进行国事访问。,三亿体育下载地址,九游体育平台怎么样,经典斗地主。

  时事4：188体育在线值得信赖

  12月29日,2025全国残特奥会轮椅篮球（五人制）男子组：广东队战胜北京队夺冠,12月23日金融一线消息，上海金融监管局发布批复，核准王韬上海城投集团财务有限公司董事、董事长的任职资格。,奔驰娱乐平台,AG娱乐平台下载,韦德体育网站是什么。

  12月29日,国务院食安办部署加强元旦、春节和全国两会期间食品安全工作,双方将积极合作巩固海湾地区安全，推动地区国家增进互信、实现可持续发展。,AG亚洲国是不是关闭了,国际真人版不知火舞电影,曾道人点特玄机。