猫眼电影记者 林彦天 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1：188bet足球app

  12月29日,（走进中国乡村）“土味三国”出圈 安徽小伙带领银发族重塑乡村新潮,纽约联储的黄金库是全球最大的黄金金库。黄金托管是纽约联邦储备系统向中央银行、政府和官方国际组织的多项金融服务之一。,大众彩票平台注册登录。

  12月29日,跨越|擦亮国家名片 中国高铁以自主创新勇闯技术“无人区”,虽然本次采访的主题是持续进行的俄乌冲突，但还是免不了涉及有关中国的话题。,凯发k8网站登录,送体验金的彩票平台,棋牌游戏赚钱。

  时事2：AG环亚官网下载

  12月29日,杨伟民：形成消费拉动发展模式重在完善收入分配制度,现代汽车同样在电动汽车领域投入了数十亿美元，其转型策略则兼顾多方特点：和通用一样，现代将继续在售现有电动车型，且预计还会推出全新电动车型；同时也效仿福特，决定加大对混动车型的布局力度，并将佐治亚州一座耗资 76 亿美元的全新工厂产能，分配给现代与起亚的混动及燃油车型生产。,国际真钱ag,开元棋牌网投平台,澳门621133。

  12月29日,一入锅就炸了，小心这些美味秒变油锅“炸弹”！,一方面，以链主企业视角，通过“强链”巩固光电子、智能制造、传感器等优势领域全球竞争力，以“补链”突破核心器件与工艺瓶颈，以“延链”布局下一代未来技术等新兴增长极；另一方面，构建起覆盖“早期孵化—成长期加速—成熟期并购”的全生命周期基金矩阵，呈现“直投、科创天使、创投基金、产业基金”的多层次格局，实现了对产业链创新的广度覆盖与深度挖掘。,和记娱乐竞彩官网,188bet竞彩官网,鸭脖官网登录。

  时事3：新甫京娱乐手机app

  12月29日,用AI讲好中国故事 2025古剑山·大学生AI艺术应用创新大赛落幕,数据显示，一季度，温州、徐州、大连、唐山GDP分别为2152.2亿元、2118.35亿元、2103.5亿元、2006.5亿元，同比分别增长6.1%、6.9%、5.8%、6.6%。相比去年一季度，四座城市GDP增量分别达到123.1亿元、102.1亿元、70.6亿元、76.1亿元。,什么捕鱼能赚钱,投彩网,ca88网站是多少。

  12月29日,福建省首批港外锚地公布 厦门港口能级进一步提升,表面上看，北京人寿已成功穿越盈亏平衡点，步入盈利快车道。公司不仅在成立的第六年（2023年）就实现了盈利，打破了寿险业“七平八盈”的常规周期，更在随后两年实现了利润的几何级数增长。2024年，公司净利润达1.04亿元，同比激增近8倍；2025年上半年，净利润进一步跃升至1.50亿元。与此同时，公司资产规模持续扩张，2025年6月末总资产突破320亿元，综合偿付能力充足率保持在190%以上的高位。,千炮捕鱼技能怎么获得,皇冠赌场网站,永利app手机版。

  时事4：太阳城网址

  12月29日,交通运输部：预计2025年中国跨区域人员流动量超660亿人次,“与发达国家政府相比，中国政府+地方政府隐性债务在全社会新增债务中的比重相当。”张斌称。,新普京在线,明升体育app网址,MG电子快速注册。

  12月29日,浙江宁波直飞老挝万象航线上新,自2025年上线以来，“空中柜面”在显著降低运营成本的同时，真正实现了服务优化与风险控制的统一。该服务通过流程线上化与服务集约化，持续节约可观成本，并将这些资源被重新投入至服务优化与技术升级中，进一步反哺客户体验，形成“客户满意–公司提质”的良性循环，推动消费者权益保护落到实处、见到长效。,亚盈网站怎么了,e世博官方网站,z6com尊龙凯时。