猫眼电影记者 李欣怡 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：乐鱼彩票官网首页

  12月29日,中国水利代表团出席第19届世界水资源大会,最后我讲一下科技赋能对租赁业务的真正变革。变革已经到来——今天讨论的所有业务，若没有融资租赁业务系统支撑，将很难开展。无论是基于大数据的设备残值评估，还是数字化跟踪，都离不开业务系统应用。,沙巴手机版注册。

  12月29日,哈尔滨采冰节启幕 千年冰雪文化焕新登场,当晚22时左右，1.7万个僵尸账号涌入快手直播频道，在同一时段同步开播，多个直播间被批量注入色情影片、低俗表演等违规内容。大量用户在刷到不良内容后紧急反馈，平台直播间系统异常的举报信息在短时间内集中爆发，舆论迅速蔓延至社交平台。,ayx外围官网,万人牛牛游戏,国内体育平台排名。

  时事2：菠菜行业网站排名

  12月29日,克宫：普京将于12月2日会见美国中东问题特使,资金部分，年末银行资金充沛，银行系资金延续上抬，货基理财子减少资金融出，非银延续加杠杆；杠杆部分，全市场杠杆率上升；价格视角，DR001在1.26%附近，Shibor 3M下行，真实资金分层偏重。,在线赌钱app下载,95至尊官网,杏彩最新地址。

  12月29日,拉萨青年举办前任物品拍卖会 行为艺术演绎特殊的告别,过去3小时，广东省深圳市南山区和宝安区（石岩、西乡、新安街道）累计雨量已达暴雨，预计强降雨还将持续1至2小时，深圳市气象台2024年6月14日8时59分在上述区域发布暴雨橙色预警信号，深圳市进入暴雨防御状态。,贝投app,ag亚游担保平台,ope体育安卓。

  时事3：澳博登陆

  12月29日,北京将培育具国际竞争力的量子未来产业集群,北京、上海、广州是3大全方位门户复合型功能的国际航空枢纽，成都、深圳、重庆、昆明、西安、乌鲁木齐、哈尔滨是7大区位门户复合型功能的国际航空枢纽。,棋牌游戏牛牛,十大正规网赌娱乐,星速下载怎么样。

  12月29日,2025生物制造前沿科技论坛举行 汇聚智慧厚植产业发展优势,上述区域山洪风险较大，请远离低洼易涝等危险区域，注意防御暴雨可能引发的局部内涝、山洪、滑坡、泥石流等灾害。,爱游戏app网页登录入口,世界杯投注怎么买输赢,互博国际官网手机版。

  时事4：开元棋下载app官网版

  12月29日,一站式预约！北京市景区购票服务平台上线试运行,6月16日，广东梅州多地出现大暴雨局部特大暴雨，其中，平远县泗水镇24小时降水达369.3毫米，全市多地受灾严重。16日、17日，梅州连续三次提升防汛应急响应，直至17日9时提升为防汛Ⅰ级应急响应。,靠谱的买球网站,AG哪个网站是真的,博狗网好不好。

  12月29日,新疆：乌鲁木齐局地中雪 民警保障交通出行,整体来看，制造大市工业经济的强劲增长，成为支撑其争先进位的核心驱动力。不过，受产业结构等因素影响，不同城市季度GDP在全年GDP中的占比差异较大，格局挑战者要真正确立自身优势，还将面临新的考验。,注册就送钱的游戏,凯时kb88国际,哪个棋牌评测网好。