猫眼电影记者 本·福斯特 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：幸运快三官网平台

  12月27日,台湾五年来首见税收短征 媒体忧军购挤压民生,表面上看，北京人寿已成功穿越盈亏平衡点，步入盈利快车道。公司不仅在成立的第六年（2023年）就实现了盈利，打破了寿险业“七平八盈”的常规周期，更在随后两年实现了利润的几何级数增长。2024年，公司净利润达1.04亿元，同比激增近8倍；2025年上半年，净利润进一步跃升至1.50亿元。与此同时，公司资产规模持续扩张，2025年6月末总资产突破320亿元，综合偿付能力充足率保持在190%以上的高位。,开汇国际。

  12月27日,全岛封关看海南：“薪动力”有啥Buff？,与此同时，通用汽车在披露电动汽车投资收缩造成 16 亿美元的财务影响后，仍在持续重新评估自身的电动化规划，且公司预计未来还将计提更多资产减值损失。福特汽车上周也宣布，因调整业务发展优先级、收缩电动汽车领域投资，公司将计提约 195 亿美元的特殊项目支出。,天博体育tb,kk体育提不了现怎么办,凯时最优质的运营商。

  时事2：皇冠手机登录版官网网址

  12月27日,广州以“精致手法”打造无界体育公园 “润物无声”提升市民宜居体验,伦敦是全球黄金定价和交易中心，BoE （英国央行）的金库承载着大量的官方用金。,九州体育登录网站,365官网开户,香港百老汇。

  12月27日,新版中俄双边投资协定于12月1日正式生效,星网锐捷、福日电子等上市公司通过福锐星光基金间接持股优迅股份。星网锐捷方面告诉记者，公司持续加大资本运作力度，是为了进一步推进AI战略。通过综合运用直接股权投资、设立合资企业、参设市场化产业投资基金、并购基金等多种方式，星网锐捷重点围绕AI+方向挖掘高价值投资标的，加速构建第二增长曲线，加快AI化转型步伐。,beats官网,万博官网登录网页z,Betway精装版。

  时事3：世界杯买球官方网

  12月27日,低空经济赋能现代农业 无人机运输助力奉节脐橙采收,她表示，每一次生产力迭代都催生工业革命，当下布局新质生产力，核心是应对市场环境挑战：通过降本增效，以最低成本实现最高收益。我们能做的，是在不可控的大环境中，聚焦可控的用户精细化运营——用AI赋能用户经营，最大化转化率，提升生产效率。,太阳城游戏网址,币博平台,线上正规买球。

  12月27日,女足名宿范运杰：希望年轻球员做到“脚下有技，心中有魂”,根据港交所公告显示，唐家成年薪为455万港元（约合人民币412万元）。,永利贵宾厅网址,koko体育平台,ku游真人网址。

  时事4：lol外围

  12月27日,完善幼儿园收费政策 三部门发通知,此前于5月6日，深圳市商务局已宣布，启动汽车“报废更新”及“置换更新”补贴活动，支持汽车以旧换新，促进消费升级换代。其中，报废更新补贴最高可达到1万元，置换更新补贴最高为8000元。,澳门新永利官方网址,牛牛斗牛游戏下载,百老汇网站是多少。

  12月27日,巴西圣保罗推进“妈祖”纪念日纳入官方活动日历,孔铉佑大使临行前辞行拜会了日本参众两院议长、外相等政府高层、朝野主要政党负责人及地方、经济、友好团体等各界人士。,世界杯赌球的正规网站,AGapp,鸿博网址登录。