猫眼电影记者 肖继忠 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：火狐在线买球

  12月27日,欧盟强调支持索马里统一、主权和领土完整,陈兵表示，低利率虽给资管机构带来现实挑战，但只要坚持错位发展、打造核心竞争能力，就能将挑战转化为机遇。他指出，国内低利率环境已推动投资者需求发生重大转变：客户纷纷降低不动产配置比例、增加金融资产投资；在超额收益显著收窄的背景下，客户不再单纯追求单一产品收益，对风险隔离、财富规划的需求更为旺盛。各类资管机构可顺势而为，通过“四新”服务模式实现发展范式转型。,宝马会在线登陆。

  12月27日,杨伟民：形成消费拉动发展模式重在完善收入分配制度,随后，负责DEI文化的法学院副院长斯坦巴赫闻讯赶来，而她也没有采取任何措施平息骚乱，反倒与学生们统一战线。,乐动体育入口,世界杯串球怎么买,ku娱乐网站。

  时事2：YG棋牌

  12月27日,手机突然黑屏失控 背后竟是“官方客服”的圈套→,中国现代国际关系研究院南亚研究所副所长楼春豪认为，当前，制衡中国已成为印度外交战略的主要目标之一。在中美竞争加剧的背景下，美印关系持续深化发展。印度庞大的经济、人口体量和发展潜力使其成为美国在亚太地区制衡中国的关键伙伴，印度不断配合美国的“印太”战略，意在获得美方的军事、情报和外交支持，旨在提升自身力量及国际地位，实现对中国的战略遏制。,澳门威斯尼斯人app下载,世界杯竞彩投注的乐趣,九游会游戏官网。

  12月27日,探访“人间仙都”浙江缙云 传统文化多样发展绘就共富图景,截至目前，佛山尚未公布一季度具体工业数据，不过，佛山市统计局在分析中坦陈，一季度，佛山规模以上工业经济在过去两年高基数基础上，叠加房地产下行影响，今年稳增长压力加大：,九五至尊在线注册,澳门十大正规平台网站,中国银河app手机版官网。

  时事3：在线斗地主真钱

  12月27日,增强供需适配性 打开万亿级消费新蓝海,2021年10月，郭宁宁任福建省委常委，11月任省政府党组副书记，直至此次职务调整。,玩球体育平台,亚星手机版登录入口,火狐快速登陆。

  12月27日,2026年全国两会召开时间抢先看,整体来看，有三个细节点值得关注，核心结论为“12月资金利率继续下移更多来自于央行之外的因素支撑国有行资金充沛”：,和记娱乐手机版注册,银河国际娱乐线上娱,真金赌博在线。

  时事4：ag怎么样才能晋级

  12月27日,宁夏2030年建成中国西部“低空经济特色应用示范区”,刘树林：男，1964年11月出生，曾任中国信达济南办事处高级经理、执行高级经理。2011年6月任信达财险山东分公司总经理、党委书记，2014年5月起任总公司副总裁、党委委员。2015年4月起任执行董事，2016年4月连选连任执行董事，2016年4月起任总裁。,体育平台怎么赚钱的,博友官网网站,永利皇宫网址好多。

  12月27日,三部门完善幼儿园收费政策,广东队11名球员有得分进账，周琦13分12个篮板，胡明轩16分，徐杰14分5次助攻，威姆斯8分，杜润旺11分，张皓嘉10分，沃特斯6分9次助攻5个篮板。辽宁方面，弗格16分，张镇麟11分9个篮板，付豪10分，李晓旭5分5个篮板，赵继伟7分4次助攻，库珀17分，丛明晨7分。,棋牌娱乐推荐,球探体育即时足球比分,百人牛牛怎么下载。