猫眼电影记者 殷一璀 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：澳门有网投平台吗

  12月23日,WTT香港总决赛：孙颖莎带伤出战 “莎头组合”获混双亚军,“目前修建海底隧道，主要有三种工法，分别是钻爆法、盾构/TBM法和沉管法。”中交公路规划设计院有限公司隧道与地下工程部总工程师黄清飞告诉中国新闻周刊。,永利转盘唯一官网。

  12月23日,习近平对未成年人思想道德建设作出重要指示,在申请医疗补助时，一家人中只要有一人名下有工商登记信息，申请便会遇阻。,银河网址是多少,巴黎人的网站是多少,188宝金博快速登陆。

  时事2：yabo手机版

  12月23日,张介宇中国画作品展在广州启幕,好消息是，公司在创新研发方面的投入正逐步取得成果。今年以来，公司先后有多个一、二类创新药获批临床试验。公司还围绕神经系统用药和甾体激素类药物领域培育多个核心产品。这些创新产品的研发和上市，有望为公司未来的增长提供新的动力。,足球投注技巧,澳门第三张补牌的规则,万博真人百家乐。

  12月23日,融链赋能 2025企业科技创新发展论坛在深圳举办,这或许也是“花生禁令”的政府决策逻辑。希伯花邻镇的一位副镇长对本刊表示，当地有保粮食安全的重任，同时又有绿色生态的重担。“种植花生西瓜属于土地非粮化了，这长期看来肯定是不允许的。现在的基本农田都要牢牢保障粮食作物，加上科尔沁沙地歼灭战，两大压力都汇聚在一起了，所以就要牺牲花生和西瓜这些经济作物了。”,天地棋牌,万博manx登录,棋牌斗牛牛游戏。

  时事3：绝地求生国际服哪里真人

  12月23日,天问三号载荷研制项目启动 携手港澳高校共探深空,相比之下，最为了解行业的一线企业，则对接下来的需求端充满了信心。,365娱乐在线,开户送体验金可提现,皇冠登录。

  12月23日,意大利：米兰冬奥会火炬本土传递在罗马启动,从资产质量角度看，尽管公司对应收账款计提了坏账准备，但在经济下行压力增大、部分医疗机构经营困难的宏观环境下，应收账款的实际回收风险正在上升。一旦发生大规模坏账，将对公司利润造成直接冲击，并进一步恶化现金流状况。,金沙登录投注,非利滨国际ag真人视讯,体育平台接口。

  时事4：威尼斯人足球

  12月23日,万亩良田喝足“越冬水” 山西祁县智慧水利助农忙,未来，双方将继续依托 NEXT-BIO 平台，聚焦多肽、小分子及新机制等重点方向，打造常态化的“项目遴选 + 专家评估 + 共研共投对接”机制，推动更多具有 FIC/BIC 潜力的中国创新药资产走出实验室、走向临床与全球市场，实现真正意义上的“共研、共投、共赢”。,365bet在线客户端,火狐下载地址,澳门至尊赌场平台。

  12月23日,英国英格兰地区住院医生再次进行为期5天罢工,供应端也面临严重的中断。美洲、非洲和亚洲的矿山相继出现停产，引发了市场对即将出现严重供应短缺的警告，这也为铜价上涨再添一把火。德意志银行（Deutsche Bank）警告称，全球最大几家矿商的产量今年将下降3%，且2026年可能继续下滑。,bbin游戏娱乐,大富豪平台靠谱吗,靠谱的网投平台求推荐。