猫眼电影记者 林奋强 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：下载皇冠体育手机app

  12月28日,航拍兰州街头巨型卡通3D“铜奔马”墙绘,过去一周，地缘政治紧张局势上升进一步放大了黄金的避险吸引力，尤其是在委内瑞拉：美国封锁油轮，并加大对马杜罗（Nicolás Maduro）总统政府的施压力度。,凯发官方网。

  12月28日,重庆首艘纯电推进150客位客渡船开工建设,在储能电池领域，亿纬锂能全球市占率仅次于宁德时代；动力电池领域，亿纬锂能排名国内第五。,冠捷体育平台,银河国际注册,免费赢钱的游戏送分下现钱的。

  时事2：世界杯最佳投注技巧

  12月28日,海南首家外商独资医院揭牌,相较于外媒的谨慎措辞，美国多家保守派媒体在报道中纷纷指称吉尔·拜登与埃姆霍夫“嘴吻”了，并批评这一行为不妥。,炸金花在哪能下载,世界杯投注陆v98典tv,澳门永利网址下载。

  12月28日,中国第41次、42次南极考察中山站越冬队完成交接,根据香港交易所《组织章程细则》第109（2）条及《证券及期货条例》第69条，港交所董事会决议主席人选后，仍须经香港特区行政长官书面批准。,球探网下载app,世界杯投注在哪里下,188体育滚球开户。

  时事3：真钱赌网

  12月28日,东西问｜史芬娜：“中国风”何以风靡欧洲百余年？,马兴瑞指出，要把发展特色优势产业作为主攻方向，高质量建设“八大产业集群”，因地制宜培育新质生产力，加快产业转型升级。,AG亚游棋牌网投,皇冠游戏在线客服,英皇娱乐怎么开户。

  12月28日,欧盟延长对俄罗斯经济制裁6个月,值得一提的是，有趣的是，J/54218似乎直到发射两个月后才被添加到Space-Track.org的数据库中。在2022年8月4日发射后，与可重复使用试验航天器相关的其他8个物体（从A到H）被美国政府标记。根据美国军方和北美防空司令部的说法，物体A是太空飞行器本身，物体B是火箭助推器，物体C到物体H是发射后的碎片。,韦德网址多少,开赢棋牌,AG平台积分。

  时事4：365bet体育手机客户端网址

  12月28日,从“死亡之海”到“财富绿洲” 看塔克拉玛干如何点沙成金,公开资料显示，作为全链条液冷的开创者，英维克从冷板、快速接头、Manifold、CDU、机柜，到SoluKing长效液冷工质、管路、冷源等“端到端”的产品覆盖，从服务器制造工厂，到数据中心运行现场的“厂到场”交付场景覆盖，英维克全链条液冷的产品和服务不断延伸。公司通过自主研发、自主生产、自主交付、自主服务，全面保障液冷系统运行。,马经玄机报(新图推荐),马经特码报(新图推荐),澳门皇冠站。

  12月28日,今年前11个月三亚入境游同比增长42.92%,“有些地区出现了多个国际航空枢纽的格局。比如华南的广州、深圳，西南的成都、重庆、昆明，西北的西安、乌鲁木齐。但与成渝不同的是，西北地域辽阔，西安与乌鲁木齐距离非常远，两个枢纽生态位截然不同。”,乐虎国际体育,金游世界棋牌,雷竞技注册。