猫眼电影记者 章炳麟 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：澳门在线皇冠

  12月24日,甲流之外这些病最近也要小心,《星岛》从现场了解到，钠电池具有宽温域、高倍率、长寿命、高安全性等优势。亿纬锂能目前已经研发出了“无痕”“不燃烧”的钠电产品：“无痕”体现在钠资源开采难度低、碳排放少、免回收可自然降解等环保属性；“不燃烧”则指钠电池零热失控、不助燃、不燃烧，安全性能大幅提升。,二八杠扑克牌规则。

  12月24日,内蒙古外贸行经贸洽谈活动在北京举行,外界分析认为，“I2U2（印度、以色列、美国和阿联酋）”这一新兴区域组织的成立与美日印澳“四边机制（QUAD）”在中国的东部和西部相互呼应，为美国在中东和南亚制衡中国影响力提供了新的选择可能性。,捕鱼上下分真钱平台,正规斗牛平台,1xbet是什么。

  时事2：168在线登陆

  12月24日,四川省内江市人大常委会原一级巡视员陈伟全被查,2023年12月，诺泰生物成功发行4.34亿元可转换公司债券，期限6年。其《募集说明书》中直接引用了2021年经审计的财务数据，包括虚增的3000万收入。,手机彩票app官网,升得源体育在线投注,巴黎人体育官方网站。

  12月24日,哥斯达黎加前总统顾问：中国成为全球南方发展关键伙伴,从下面两个题目中任选一题，按要求作答。不少于700字。将题目写在答题卡上。不透露所在区、学校及个人信息。,炸金花app官网,全民捕鱼大战下载,千亿注册App。

  时事3：bet9九州登陆入口

  12月24日,民政部：规范对有关慈善组织行政处罚标准,第二步，在法律框架下，中央银行获得以当地货币购买本地精炼黄金的独家权力或优先权力。,2020俄罗斯欧洲杯官网,emc体育平台,世界杯赛事买球app。

  12月24日,国家铁路局：采取切实有力措施 维护岁末年初铁路安全稳定,为同周边国家发展友善、稳定、繁荣的关系，双方将继续同中亚地区国家一道开展互利合作，加强在上海合作组织、亚洲相互协作与信任措施会议和联合国等国际组织和多边机制内协作。,皇冠比分网,银河国际城娱乐网站,正规十大买球平台排行。

  时事4：bbin在哪下载

  12月24日,百只企鹅同台亮相 哈尔滨极地公园开启“企鹅派对”,欧洲汽车工业协会方面表示，相比加征更高关税，欧洲汽车行业更需要强有力的电动汽车工业战略；自由公平的贸易意味着为所有竞争者保证公平竞争的环境，但这只是全球竞争力拼图中的一个重要部分。,ope体育g足球,王者体育在线下载,宝博棋牌官方网站。

  12月24日,柬埔寨达岱水电携手中国医疗队举行义诊 国公省省长体验中医疗效,中东国家深受大国干涉之害。历史上，西方殖民者将西方制度文化强加给中东，在争夺势力范围中任意划分边界，为民族国家冲突埋下隐患。一些大国对中东国家采取“分而治之”策略，鼓动民族宗教冲突，让它们只能走上“依附”之路。冷战结束后，美国借助军事手段在中东大肆扩张，强行推进政权更迭和民主输出，进一步加深地区国家的苦难。,凯时真人投注,斗牛游戏哪个好,尊龙APP安卓。