猫眼电影记者 宋志明 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：沙巴体育平台首页

  12月24日,重庆出台23条措施加强困境儿童福利保障,从债务期限结构看，公司长期借款相对可控，但短期负债占比过高，导致每年都面临集中的本息偿付压力。在融资环境趋紧的背景下，这种结构可能迫使公司不得不寻求高成本续贷，或折价处置资产以维持现金流，进而侵蚀长期盈利能力。,最好的ag平台。

  12月24日,商务部：中欧双方正在就电动汽车案开展磋商,姜恩柱担任过外交部副部长、香港中联办主任，曾是中国驻英国大使。,AG 真人视讯,万博官方网,沙巴手机版。

  时事2：亚新体育官网首页

  12月24日,日本气象厅·截至当地时间今天9时 日本本州东部海域已持续发生余震15次,此外，《证券法》第82条明确规定，董监高需对定期报告签署书面确认意见，并保证其“真实、准确、完整”。签字即代表个人背书，而非形式走过场。,万博手机版本登录官网,亚洲澳门国际,四海龙王捕鱼机。

  12月24日,全国第十二届残运会：辽宁运动员用拼搏收获佳绩,与此同时，郑州的经济总量，对就业创业的吸纳能力也能产生很好的辐射作用，“我知道的就有一些从游客变成投资者，变成了创业者”。,ob8544点com,365bet最高投注,大赢家足彩。

  时事3：188体育官网登陆

  12月24日,欧盟-西巴尔干峰会举行：分歧信号显现 塞尔维亚首次不派代表与会,靳东与汪某的“友谊”由来已久。2009年上半年，汪某便找到时任小金县委常委、县政府常务副县长的靳东，想在当地承揽某建设项目，靳东在向相关负责人“打招呼”后，汪某以458万余元的价格顺利获得了该项目；2010年，靳东在担任若尔盖县委副书记、县政府县长期间，还让汪某承揽了当地一个风貌改造项目。所以，在得知靳东要装修房子时，为了表示“感谢”，汪某便主动送上了装有30万元现金的“小礼品”。,现金平台官网,沙巴体育188,线上真钱彩票。

  12月24日,行走江河看中国｜AI解码中国治水的硬核实力,陈方清：1952年出生。曾任中央金融工委组织部副部长，中国银监会监事会工作部主任、中国信达资产管理公司副总裁、幸福人寿执行董事、党委书记。2009年起任信达财险董事长、执行董事。2019年至2021年任黑龙江京蓝科技独立董事。,EDF在线,微信 世界杯合法投注,世界杯竞彩投注。

  时事4：火狐网登录网址

  12月24日,北京为高质量发展“腾挪空间” 蹚出减量发展新路子,王新利：男，1969年2月出生。曾任民安财险董事长兼总经理；亚太财险副董事长兼总裁。2017年11月起任国任保险执行董事，2017年12月起任合规负责人，2018年4月起任总裁。,看世界杯网站,AG娱乐官方版下载,大发888网页版。

  12月24日,寒潮来袭 乌鲁木齐降雪降温,相关数据还显示，碳酸锂期现价格相关性达到0.99，碳酸锂期货已成为全球份额最大、流动性最好的锂盐品种，部分国际贸易企业在签订远期贸易合时也将其作为重要定价基准，其价格指引意义极强。,买球网站排名,沙巴体育足球投注规则,188体育平台注册。