猫眼电影记者 张代权 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：色赌博

  12月23日,商务部：望欧方克制审慎使用限制性经贸工具,三是投资者心态波动风险，若产品波动控制不佳，可能引发投资者“用脚投票”，需通过陪伴式服务、信息披露、模型工具等方式应对，高度警惕市场风险演变为收益风险与流动性风险的极端情形，监管也已对利率反转风险高度关注。,永利集团88304官网。

  12月23日,此行间·中央经济工作会议上，总书记提到一个重大任务,“2026年由于消费维持高速增长，导致碳酸锂有望由供需失衡格局向紧平衡格局转变。”一德期货指出，长周期看，2025年6万附近的底部已经确立，明年一季度由于动力电池趋弱叠加国内枧下窝矿复产以及春节等因素影响，会有一定幅度的回撤，但是只要储能消费增速没有明显的回落，碳酸锂由供需失衡向紧平衡转变的趋势就不会改变。,合发888,必发官网地址,AG娱乐平台。

  时事2：188体育在线官网

  12月23日,各地多措并举促进新消费,“先前注册的营业执照已经注销了，为什么又注册了新的执照。我爸妈早已丧失劳动能力了，是谁一再在给他们办工商登记呢？”汪争猛不解。,澳门新葡亰官方APP,亚美体育官网app,ks凯时官方注册。

  12月23日,【澜湄印象】中越边境河口口岸2025年出入境旅客超600万人次,随着华尔街对人工智能行业投机性泡沫的担忧加剧，全球投资者正加大对中国人工智能企业的投资押注，期望发掘下一个深度求索（DeepSeek），同时实现投资组合多元化。,金博宝app,AG棋牌游戏,1分钟一期彩票下载。

  时事3：升博平台网址

  12月23日,人工智能赋能教师队伍建设 未来教师公益计划启动,钱所长透露，目前吕王镇登记的企业数量有1000多家。按规定，这些企业每年都有年报、缴税记录等数据，但过去10年，刘院村上百家个体工商户的注册资金空白未得到清理，“空壳个体户”的僵死状态也未被发现。钱所长表示，他是2023年才接任工商所所长一职，对此前的情况并不了解。,单机打鱼游戏,世界杯哪个网站投注,杏彩登陆官网。

  12月23日,她们是那段惨痛历史的证言，用余生等待道歉,面对行业转型，北京人寿提出了颇具前瞻性的“保险+康养”双轮驱动战略，并推出了“首善人家”服务品牌，试图构建“医、康、养、保”生态体系。公司通过轻资产合作模式，快速挂牌了多家康养机构，并推出旅居卡等产品，取得了一定的保费带动效果。这一战略瞄准了老龄化社会的巨大需求，方向正确。,12bet快速登陆,新宝5注册测速地址,ku体育注册。

  时事4：博胜国际

  12月23日,《习近平谈治国理政》中肯读者会在内罗毕举行,此外，绍兴文理学院也在今年4月召开的重要会议中提到，以更名设置大学为契机，呼应地方对学校新期盼，努力把学校建设成为国内一流的城市综合性大学，并将“完成更名绍兴大学的历史任务”确定为今后五年的主要任务。,云顶娱乐官网网页,BBIN体育,千赢游戏大厅app。

  12月23日,市场监管总局：开展规范光伏行业价格竞争秩序合规指导,据报道，无人机坠毁的地点位于距离莫斯科市约100公里的古巴斯托沃村附近，俄罗斯天然气股份公司在当地运营着能源设施。俄罗斯天然气股份公司对俄新社表示，该公司在当地的业务并未中断。,AG真人客户端下载,AG娱乐亚美平台app,真钱的棋牌游戏官方网站。