猫眼电影记者 康钊 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：ca88ios

  12月22日,拉萨青年举办前任物品拍卖会 行为艺术演绎特殊的告别,据新华社消息，政协第十四届全国委员会第十八次主席会议29日在北京召开。会议审议通过了关于撤销唐一军政协第十四届全国委员会委员资格的决定，提请全国政协十四届常委会第七次会议追认。,爱游戏开户网址。

  12月22日,“京蒙协作”送医上门 内蒙古东部小城享首都诊疗服务,欧委会发布信息后，被抽样选中调查的三家车企中，上汽集团率先回应，“对欧委会的决定深感失望，相关措施不仅违背了市场经济原则和国际贸易规则，甚至可能对全球汽车产业链的稳定和中欧经贸合作产生较大不利影响。”企业殷切期望欧盟能够认真倾听中、德两国汽车企业的呼声，坚决避免人为设置新能源汽车贸易壁垒，切实维护公平竞争的市场环境。,世界杯投注网@,ag电竞官方网站,皖青体育下载app。

  时事2：沙巴体育app官方下载

  12月22日,中央港澳办协调应急管理部等中央有关部门继续为香港救灾工作提供协助和支援,天齐锂业董事长蒋安琪则在中国国际锂业大会上指出，“受益于可再生能源并网需求、商用重卡等电动化设备增速迅猛，储能领域和动力电池对基础锂材料的需求持续上涨，2026年全球锂需求量预计将达到200万吨碳酸锂当量，基本达到供需平衡，为产业发展筑牢了根基。”,188宝金博投注登录,沙巴体育滚球官网,3d真人国际象棋游戏下载手机版。

  12月22日,中国自主研发循环流化床生物质气化技术 首个示范项目正式投产,洪恩识字作为一款儿童教育App，稳定性关乎用户体验的底线，“我们所有反馈的问题基本上在一天之内都能得到解决。”洪恩中文启蒙技术负责人王鹤由衷的称赞道，鸿蒙团队和伙伴并肩作战，提供到位的技术支持，甚至是提供随时响应的服务，帮助迅速发现问题并且顺利解决。,AG真人视讯网址,白菜网址大全平台,爱游戏app最新版本。

  时事3：火狐网址登录

  12月22日,日本“继承和发展村山谈话会”举行记者会 有识之士强烈要求高市早苗撤回错误言论,6月13日晚，吉利控股集团发布声明表示，欧委会对中国电动汽车加征关税是错误的决策，加征关税将损害欧洲自身利益，同时也会阻碍中欧经贸的发展。呼吁欧委会慎重考虑其决定，共同寻找促进公平竞争、营造良性发展环境的解决方案。,五花牛,必赢亚洲官方网站下载,凯发k8体育。

  12月22日,中国人民大学出版社发布《关于维护“社会工作者职业资格考试指导教材”正版图书权益的严正声明》,双方为应对气候变化采取措施，重申恪守《联合国气候变化框架公约》及其《巴黎协定》目标、原则和制度框架，特别是共同但有区别的责任原则。双方强调，发达国家为发展中国家提供的资金支持对减缓全球平均气温增长、适应全球气候变化负面影响至关重要。双方反对以应对气候变化为由设置贸易壁垒和将气候议题同国际和平安全威胁挂钩。,足球竞彩网官网首页,bet365网页登陆,金吊桶。

  时事4：银河游戏官方网站

  12月22日,残特奥会游泳比赛 徐兴尚成“六冠王”,根据彭昌国的经验，非洲经销商在拿货时确实习惯先看拍照功能，“如果一台手机拍出的照片画质清晰，手机屏幕又大，价格不贵，就会被认为是容易出手的‘好货’”。,体育足球bet,天博平台合法吗,开户注册送8金币。

  12月22日,呼和浩特保税区发运首列加长中欧班列,本文将深度剖析诺泰生物财务舞弊案的来龙去脉，还原其“技术转让+增资”双交易掩盖资金回流的操作手法，梳理监管逻辑与处罚依据，并探讨此案对上市公司治理、中介机构责任以及投资者保护的深远启示。,金沙平台大厅,新利18体育官网app,美高梅直营注册。