猫眼电影记者 陈锦亮 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：聚星登陆地址

  12月26日,百年大集再上新 天津宁河升级“赶集+”新平台,西摩·赫什还表示，美国不可能支持对于“北溪”管道遭破坏事件进行独立调查。美国也绝对不可能承认此事是自己所为。,永利网络棋牌。

  12月26日,宁夏出台12条举措推动房地产市场平稳健康发展,英国《金融时报》指出，土耳其这次“百年一遇”的大地震或进一步影响即将在5月中旬举行的总统及国会选举。灾难发生前，土耳其就面临着严重的通货膨胀、经济危机，执政近20年的埃尔多安声望有所下降。今年早些时候，该国六个反对派政党首次组成“六方圆桌”联盟，承诺要逆转埃尔多安的多项经济政策，收紧货币政策，并恢复央行的独立性。,365bet官网中文网,九五至尊开户,2017最新白菜注册。

  时事2：beat365官网

  12月26日,海内外人士热议“十五五”规划建议与世界现代化新机遇,2022年，国家网信办在“清朗”专项行动成果通报中明确指出，快手、哔哩哔哩、虎牙等平台存在传播色情引流、低俗庸俗、暴力谩骂、诱导打赏等有害不良信息的问题，相关部门已依法采取约谈、限期整改、责令关闭账号、罚款等一系列处置处罚措施。,世界杯手机投注软件,金奥博官网,爱游戏平台网址。

  12月26日,须给“智驾神器”亮亮监管红灯,5月6日，重庆市甘肃商会工作人员告诉极目新闻记者，商会已关注到相关舆情，但由于赵菊英所经营的公司只是商会的理事单位，商会对公司经营不起监督管理作用，因此无法介入处理。该工作人员记录了记者的信息，表示会向赵菊英转达，但截至发稿时记者并未获得回复。,世界杯下注哪个app好用,澳门正大娱乐,九游会平台。

  时事3：下注体育的平台

  12月26日,2025循环经济产业创新发展大会在江西丰城举行,这个画面是问天舱内的定向摄像机拍摄的，画面左侧飘着的是液冷服。航天员在舱外活动时会产生热量，需要穿上液冷服散热。,新利luck18网址备用,im体育官网APP,凯发娱乐网页版注册。

  12月26日,2025广东冬季促消费暨年货节在阳江启幕,近年来，国内手机厂商纷纷将目光瞄准非洲市场，甚至在2025年让“非洲手机之王”传音都感受到压力。但是这片“蓝海”也变得越来越“卷”，想要进入其中并不容易，更多国内手机厂商还处在试探阶段。,欧冠开户,A8体育直播,188体育生微博。

  时事4：竞彩篮球投注app

  12月26日,中资数字企业出海遇“险”？上海推出多个出海服务载体护航,为了落实《办法》相关要求，李卓所在的农商行正着手对合作机构实行名单制管理，主要将国有大型银行与股份制银行理财子公司纳入合作范畴。此外，他被要求制定覆盖产品准入、销售、存续期管理及投诉处理的全流程内控制度，还被要求在考核范畴里加入产品销售合规性、客户投诉率等指标。,bet9网页登录入口,三公游戏下载,欧洲杯直播。

  12月26日,中国代表：对这样的日本，必须严加管束,其间他还曾在云南省德宏傣族景颇族自治州任职，担任过州委常委、副州长。,盛京棋牌游戏,和记娱乐最新地址,小金库钱包官网。