猫眼电影记者 莫妮卡 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：手机足彩怎么买

  12月26日,这场全球“潮人”之约，书写家国同兴华章,这些企业包括金风科技、特变电工、九圣禾种业、昌吉溢达纺织、天鹅棉机、新业能化等，都是新疆特色优势产业的代表企业。,千赢国际官网APP。

  12月26日,全国开启火箭式回暖，但周末降温已排好档期！,伦敦黄金市场通过其双层（央行与商业）库存结构，为全球提供了高度安全和流动性的黄金托管服务。其库存量是全球黄金实物流动的重要风向标。,银河游戏下载,澳门十大电子游戏,亿博体育官网下载。

  时事2：万博manbetx30网页登陆

  12月26日,2025三湘民营企业百强榜发布 各项主要指标稳步提升,对此，公司表示，面对带量采购、医保控费等政策对行业带来的持续挑战，公司主动推进转型，探索创新业务模式并加强市场开拓。但受药品价格下行及行业竞争加剧影响，公司利润空间收窄。,九州网址,赢三张金币版,捕鱼娱乐平台。

  12月26日,江山如画｜一道“光”，惠及全球300万患者,双方愿继续共同努力，推动各方在多边人权领域开展建设性对话与合作，倡导全人类共同价值，反对将人权政治化、双重标准以及利用人权问题干涉他国内政，共同推动国际人权议程各个方面的健康发展。,必发最新版APP,百人牛牛炸金花,亚星下载地址。

  时事3：奥门皇冠游戏

  12月26日,韩幕僚长：总统室将在圣诞前后迁至青瓦台,4月24日业绩发布会后会见传媒时，史美伦说道，过去六年外围环境、国际经济及地缘政治均充满挑战，任期内与团队经历磨练，接受挑战并走出困境，认为香港及港交所“背靠祖国、联通世界”的定位及基础不会变，她在任期间集团对国际化投入不少，寄语未来要继续国际化发展。,bc真人,世界杯官方购票网站,送彩金的网站有哪些。

  12月26日,抓好能下蛋的“这只鸡”,后期接任：虽未直接参与2021年交易，但在2023年可转债发行时未纠正已知虚假信息；,千赢娱乐平台怎么样,欧冠买球,365bet网上开户APP。

  时事4：欢乐疯狂斗牛规则

  12月26日,诸葛亮飙英文、唐僧反内耗……AI“二创魔改”边界在哪？,要更好链接内陆省份与沿线国家，推动深化经贸合作，打造向西开放的桥头堡；,下载真人游戏大厅,棋牌论坛网,6up网址。

  12月26日,【世界说】当美国假日季遭遇通胀 美最新民调：近七成民众坦言财务焦虑让节日计划“缩水”,——加强海关领域合作，重点推进国际贸易“单一窗口”交流合作，应用现代化监管机制和自动化管理流程，进一步促进贸易往来，提高进出口业务透明度，有效打击海关违法行为。,银河网上电子,澳门金沙网上在线娱乐,世界杯网上买球哪个网站。