猫眼电影记者 孙宪淳 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：皇冠手机app登录

  12月29日,美联储议息会议在即 市场预期美联储再次降息可能性大,[环球时报综合报道]“一段时间以来，比亚迪、吉利等中国自主品牌的崛起给不少外国汽车品牌带来压力。”美国CNBC网站18日报道称，美银证券汽车产业分析师约翰·墨菲当天在美国汽车媒体协会有关活动中表示，美国底特律三巨头（即通用汽车、福特汽车和斯特兰蒂斯）应“尽快”退出中国市场。他同时警告说，美国三大车企需要采取更严厉的措施削减开支，尤其是在内燃机业务方面，因为这是目前利润的主要来源。,赌王投注解密记录。

  12月29日,杭州市市属国有企业外部董事章舜年被“双开”,科尔茹姆巴耶夫认为，本次峰会的召开将推动中哈共建“一带一路”。在 “一带一路 ”框架内，应该进一步发展哈萨克斯坦的过境潜力，改善铁路货运基础设施，大力发展跨境贸易。,银河线上真人,九龙密报,网上百家乐界面怎么做。

  时事2：好玩的百人牛牛游戏

  12月29日,南铁迎元旦假期返程客流高峰 加开274趟旅客列车保障出行,公告称，依据《中华人民共和国证券法》的有关规定，对李国杰短线交易中科曙光股票行为进行了立案调查、审理，并依法向当事人告知作出行政处罚的事实、理由、依据及当事人依法享有的权利，当事人未提出陈述、申辩意见，也未要求听证。本案现已调查、审理终结。,银河正规游戏平台,365bet体育在线娱乐,日博手机版app。

  12月29日,西藏主投主控影片《遥远的普若岗日》全国首映礼在北京举行,首先，从现实出发，资金已经是全年最乐观的状态。12月份DR001资金价格一直在往下回落，甚至在特定的扰动时间点（比如税期和政府债大量缴款等）的背景下，资金延续充分，匿名资金延续向下突破。,新万博亚洲,足球app软件,365买球能用吗。

  时事3：app官网入口

  12月29日,浙江台州创投大会：民企民资跨域而来,中国队若想出线，至少需要在客场逼平韩国队。如果中国队输球，目前仅落后国足3个净胜球的泰国队绝不会让出线的机会从手边溜走。,168极速赛车App,真金炸金娱乐,K8手机版官网。

  12月29日,中国科学家团队连续开展3例侵入式脑机接口临床试验,在业绩下滑的同时，中国医药的反腐行动持续深化，截至目前，上市公司及下属公司被查的高管、原高管数量已多达10多位。同时，在合规压力下，中国医药的销售费用显著缩减，已经从2020年的24.85亿元，减少到2024年的10.99亿元。,leyu乐鱼游戏官网,金沙唯一官方娱乐场,澳门ag真人国际管。

  时事4：英雄联盟外围

  12月29日,更密、更快的立体交通网正在加速形成！,据中国载人航天工程办公室消息，神舟十五号航天员乘组将择机执行第一次出舱活动。目前，神舟十五号航天员乘组状态良好，空间站组合体运行稳定，具备开展出舱活动条件。,鸿博app下载官方版苹果,云顶赢三张,雷竞技app下载官方版_官网。

  12月29日,年均发放高龄补贴29亿元 陕西推进养老服务提质增效,这一幕被当时的直播清晰地记录下来，英国《每日邮报》在报道时描述称，两人在问候时嘴唇“似乎短暂地贴合在一起”。法新社则形容称，“他们倾身友好地拥抱——但至少其中一个人似乎弄错了，导致两人亲吻了嘴唇，或者非常、非常靠近嘴唇。”,万博h平台,世界杯投注站收入,bet9手机登录网址。