猫眼电影记者 洛伦佐·科尔曼 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：凯发娱乐官方登录入口

  12月22日,中国代表：对这样的日本，必须严加管束,当地时间2月8日，乌克兰总统泽连斯基出访英国，呼吁西方为乌军提供先进战斗机，此前英国方面已宣布将提供战斗机飞行员培训。泽连斯基随后还前往巴黎和布鲁塞尔先后会晤法、德以及欧盟领导人。,365bet官网下载。

  12月22日,（走进中国乡村）“柿柿如意”增添浙南山村“甜蜜味”,蹊跷的是，汪绪良注册于2012年的工商信息被注销后，2023年6月26日、6月27日又被注册了两家个体工商信息，且注册资金均为10万。“注册地址都具体到我家门牌号了。但我们完全不知情。家里看病欠了几万的债，也不可能有这些钱。”汪争猛说。,看世界杯的网站无广告,五星报A,bb贝博狼堡德甲狼堡亚太下载。

  时事2：足世界杯代理开户

  12月22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,这条推文中，斯诺登附上了“北溪”管道爆炸后，欧洲议会议员、波兰前外长西科尔斯基的推特截图。当时西科尔斯基曾发布了“北溪”管道发生事故的现场图，并配文称：“谢谢你，美国。”,Bet足球比分,线上信誉平台官网,AG是什么游戏。

  12月22日,东西问丨印尼前外长哈桑：雅万高铁诠释中国式现代化的务实合作精神,而且在国泰之前，南航和乌鲁木齐航空已经开通了香港航线。相当于香港也不是乌鲁木齐的新航点。,万博官网网站,美高梅全站APP,ROR体育。

  时事3：天亿棋牌网络游戏

  12月22日,科学防治艾滋病，这些常识你了解吗？,上述背景下，明年碳酸锂阶段性重返15万元/吨，甚至是20万元/吨的可能性正在快速增加。,篮球比分网,爱城网址,欧冠直播表。

  12月22日,残特奥会田径比赛收官 多名选手刷新全国纪录,在外盘带动下，上期所黄金期货主力合约全天震荡上行，尾盘强势拉升，一举突破1000元/克大关，收盘报1000.86元/克，单日涨幅达2.10%。,二八杠的押庄方法,天下汇,电玩森林舞会。

  时事4：万博官方网站链接

  12月22日,【统战巡礼】发挥法宝作用 广泛凝心聚力,双方重申遵守《不扩散核武器条约》、《禁止生物武器公约》以及《禁止化学武器公约》规定的出口管制义务，反对以虚伪政治目的取代防扩散初心，将防扩散出口管制政治化、武器化，服务本国短视利益和实施非法单边限制措施。,ISLOT,凯发娱乐手机客户端首页,葡京手机登陆。

  12月22日,海南自由贸易港今天启动全岛封关 企业、居民、旅客都能享受红利,在当地媒体看来，“这不是简单的量的叠加，而是质的变化，需要构建新的发展动力系统，再造佛山增长新空间、新优势”。,欧博会员注册,俄罗斯世界杯网站,赌博线上。