猫眼电影记者 杨利军 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：利来娱乐

  12月26日,中央港澳办协调中央有关部门和广东省继续为香港救灾工作提供协助和支援,对于理财产品代销合作，耿勇发现多家中西部地区农商行相当主动，双方一见面就直奔主题，聊起银行理财子公司的产品丰富度与以往投资业绩。,酷游ku游备用入口二。

  12月26日,湖北恩施现奇幻洞穴 游客仿佛步入异星秘境,2025年12月20日晚，由中央广播电视总台精心打造的《鸿蒙星光盛典》正式播出。这场科技盛会原计划于11月28日举行，后因香港大埔发生火灾，为表达对生命的尊重与对受灾民众的深切关怀，主办方决定推迟播出。最终，这场虽无现场观众却通过屏幕联结起无数目光的特别呈现，以云端相聚的方式，完成了跨越时空的温暖共聚。,世界杯2026 投注,48个国际音标真人发音口型图,澳门新葡萄牙。

  时事2：dafa888下载

  12月26日,广州已完成水鸟生态廊道建设1166公顷,值得注意的是，据中国基金报，今年春节过后，A股已连续三个月没有IPO公司接受上市委的审议。交易所最近的一次上市委会议是在2月6日，也就是已经三个月没有安排IPO企业上会。,德扑技巧24概率,澳门电玩城app,沙巴体育app下载官网。

  12月26日,民主革命家黄兴长孙黄伟民逝世,“佛山的产业结构和广州有点同质化，拉不开差距。而且广州自身动力不够强，对佛山的扶持就不太够。”宋丁谈到。,永利皇宫app,棋牌娱乐大厅,凯时平台。

  时事3：威尼斯人在线网站

  12月26日,黄河古贤水利枢纽工程导流洞贯通,中国队若想出线，至少需要在客场逼平韩国队。如果中国队输球，目前仅落后国足3个净胜球的泰国队绝不会让出线的机会从手边溜走。,千亿网站是多少,牛宝体育平台靠谱,mg国际登录。

  12月26日,“‘创客在池’首届文旅创新创业群英汇”启幕,关键证据在于资金流向：浙江华贝支付给诺泰生物的3000万元“技术转让款”，其资金源头正是诺泰生物后续注入的增资款。换句话说，这笔钱本质上是诺泰生物“左手倒右手”——先以增资形式把钱打给浙江华贝，再由浙江华贝以“技术转让费”名义打回给自己。,网赌最正规的平台,九州体育下载地址,线上信誉平台官网。

  时事4：天博app官网入口

  12月26日,马来西亚音乐代表团在京研学感受中轴线魅力,在吕临华到任后，浙商银行领导班子成员将全部到位。陈海强将担任党委书记、董事长，吕临华将担任党委副书记、行长，骆峰担任副行长、董事会秘书，景峰、林静然担任副行长，周伟新、潘华枫、王超明、侯波担任行长助理，潘华枫兼任首席风险官。,万博网上体育,世界杯投注靠谱,MG电子体育下载。

  12月26日,（经济观察）郑州“十五五”欲建三大“世界之都”,纪宁说：“欧美国家的网球市场已逐渐进入饱和阶段，中国被认为可能带来新的爆发性增长点。”他认为，在中国这个网球新兴市场，应更充分地挖掘体育明星的商业价值。“这有利于全面释放中国体育经济的增长潜力。”,下载金沙,ob体育官网下载,赌博挣钱平台。